FPT：又是借鉴Transformer，这次多方向融合特征金字塔 | ECCV 2020

最新推荐文章于 2023-06-05 16:33:30 发布

晓飞的算法工程笔记

最新推荐文章于 2023-06-05 16:33:30 发布

阅读量1k

点赞数

分类专栏：晓飞的算法工程笔记文章标签： transformer 深度学习计算机视觉

本文链接：https://blog.csdn.net/lichlee/article/details/123130282

版权

晓飞的算法工程笔记专栏收录该内容

196 篇文章 21 订阅

订阅专栏

论文提出用于特征金字塔的高效特征交互方法FPT，包含3种精心设计的特征增强操作，分别用于借鉴层内特征进行增强、借鉴高层特征进行增强以及借鉴低层特征进行增强，FPT的输出维度与输入一致，能够自由嵌入到各种包含特征金字塔的检测算法中，从实验结果来看，效果不错

来源：晓飞的算法工程笔记公众号

论文: Feature Pyramid Transformer

论文地址：https://arxiv.org/abs/2007.09451
论文代码：https://github.com/ZHANGDONG-NJUST/FPT

Introduction

讲论文前先捋一下CNN网络结构相关的知识，论文的思想主要来自两个，一个是特征金字塔结构，一个是Non-local网络：

首先是特征金字塔，如图1a，CNN网络以层级结构的形式逐层提取更丰富的特征，然后使用最后的特征层进行预测。但对于一些小物体而言，最后一层的特征图往往没有足够的像素点进行预测。为了更好地对不同大小的物体进行预测，人们提出图1b的金字塔特征，大物体使用高层的粗粒度特征，小物体使用底层的细粒度特征。对于一些pixel-level任务，比如语义分割，需要综合不同层的上下文信息进行细致的预测，所以就需要图1c的预测结构。
其次是Non-local network，该网络借鉴了NLP模型的Self-attention思想，如图1d所示，能够借鉴特征图上的其它特征点来对当前特征点进行增强。

基于上面两个思想，论文提出了FPT(Feature Pyramid Transformer)，结构如图1e所示，核心在特征金字塔上进行类似Non-local的特征增强，然后再使用多层特征进行预测。FPT设计了3种特征增强操作，也是论文的主要贡献：

ST(Self-Transformer)：跟non-local操作一样在对当前层进行特征增强。
GT(Grounding Transformer)：这是top-down形式的non-local操作，将高层特征(尺寸小的)分别用于低层特征的增强。
RT(Rendering Transformer)：这是bottom-up形式的non-local操作，将低层特征(尺寸大的)分别用于高层特征的增强。

Feature Pyramid Transformer

FPT的特征转换流程如图2所示，输入为金字塔特征，首先对每层特征分别进行ST、GT、RT特征增强得到多个增强后的特征，然后对增强的特征按尺寸进行排序，将相同大小的特征concate到一起，通过卷积将增强后的特征维度恢复到输入时的相同维度。

Non-Local Interaction Revisited

由于论文提出的特征增强操作与non-local操作有很大关系，这里需要先介绍下non-local的思想。常规non-local操作的输入为单特征图 $X$ 上的queries(Q), keys(K)和values(V)，输出与 $X$ 尺寸相同的增强特征 $\hat{X}$ ：

$q_i=f_q(X_i)\in Q$ ， $k_j=f_k(X_j)\in K$ ， $v_j=f_v(X_j)\in V$ ， $f_q(\cdot)$ 、 $f_k(\cdot)$ 和 $f_v(\cdot)$ 为对应的线性变换， $X_i$ 和 $X_j$ 为特征图 $X$ 上的第 $i^{th}$ 和 $j^{th}$ 位置上的特征， $F_{sim}$ 为相似度函数，默认为点积， $F_{nom}$ 为归一化函数，默认为softmax， $F_{mul}$ 为权重集成函数，默认为矩阵相乘， $\hat{X}_i$ 为输出特征图 $\hat{X}$ 的第 $i^{th}$ 位置上的特征。

Self-Transformer

ST为改进版non-local操作，如图1a所示，主要有两点不同：

将 $q_i$ 和 $k_j$ 分为 $\mathcal{N}$ 部分，然后计算每部分的每组 $q_{i,n}$ 和 $k_{j,n}$ 相似度分数 $s^n_{i,j}$
相似度计算使用改进的MoS(Mixture of Softmaxes)函数 $F_{mos}$ ：

$\pi_n=Softmax(w^T_n \overline{k})$ 为特征集成时的权重， $w_n$ 为可学习的线性变换， $\overline{k}$ 为所有 $k_j$ 的均值。

基于上述的改进，ST定义为：

Grounding Transformer

GT是top-down形式的non-local操作，如图2c所示，借用高层的粗粒度特征 $X^c$ 来增强低层的细粒度特征 $X^f$ 。在计算时，相似度计算由点积替换为更高效的欧氏距离 $F_{eud}$ ：

$q_i=f_q(X^f_i)$ ， $k_j=f_k(X^c_j)$ 。GT跟ST一样将 $q_i$ 和 $k_j$ 分为 $\mathcal{N}$ 部分，完整的定义为：

在特征金字塔中，高低层特征分别包含图片的全局和局部信息，而对于语义分割任务，不需要关注过多高层的全局信息，更多的是需要query位置附近的上下文信息，所以图3b的跨层卷积对语义分割任务十分有效。由于GT操作是全局计算，所以论文提出了局部约束(Locality-constrained)的GT操作LGT，如图3c所示，每个 $q_i$ 只与高层局部区域的 $k_j$ 和 $v_j$ 进行计算。高层局部区域以 $q_i$ 对应的位置为中心，边长(square size)为固定值。如果高层的局部区域越出了特征图，则使用0代替。

Rendering Transformer

与GT相反，RT是bottom-up形式的non-local操作，借用低层的细粒度特征来增强高层的粗粒度特征。RT也是局部约束(Locality-constrained)的，以channel-wise进行计算的，定义高层特征为 $Q$ ，低层特征为 $K$ 和 $V$ ，计算步骤包含如下：

对 $K$ 和进行全局平均池化得到权重 $w$ 。
使用权重 $w$ 对 $Q$ 进行加权得到 $Q_{att}$ 。
对 $V$ 进行带stride的 $3\times 3$ 卷积下采样得到 $V_{dow}$ 。
使用 $3\times 3$ 卷积对 $Q_{att}$ 进行调整，并与 $V_{dow}$ 相加，再过一层 $3\times 3$ 卷积后输出。

完整RT的定义为：

$F_{att}(\cdot)$ 为外积函数， $F_{scov}(\cdot)$ 为带stride的 $3\times 3$ 卷积， $F_{conv}(\cdot)$ 为用于调整的 $3\times 3$ 卷积， $F_{add}(\cdot)$ 为包含 $3\times 3$ 卷积的特征相加函数。