Tesla AI day中感知部分的详细解析（一）——Transformer在图像领域的应用

前言

最近针对特斯拉AI day2022内容进行了初步的了解，三个小时的发布会涵盖了方方面面的内容，其中基于纯视觉和深度学习的BEV感知升级版Occupancy Network形成的3D感知系统着实让人惊艳，而想要了解Occupancy Network，必须先了解其前身BEV感知，而其中一大关键点是参考了Transformer的网络结构对不同时空的数据输入进行处理，本系列文章主要针对相关技术从源头开始解析，由于个人技术能力有限，不可能面面俱到，仅当作抛砖引玉了。
由于之前很长一段时间主要在做SLAM相关工作，自YOLOv4后对于深度学习这块的内容没及时跟踪了，外加Transfomer在相当长时间主要应用在NLP领域，因此这段时间从原始Transformer出发，到对于视觉领域影响较大的Swin Transformer及相关论文和资料进行了阅读和学习，这里先简要记录相关要点，并予以解析和对比。

Transformer

论文：Attention Is All You Need
代码：jadore801120/attention-is-all-you-need-pytorch
参考文章：
Transformer 模型的 PyTorch 实现
一文教你彻底理解Transformer中Positional Encoding
The Illustrated Transformer
关于Transformer的解析文章太多了，参考文章都讲的很好了，本文不会事无巨细的讲解所有细节，这里主要针对模型一些点做解析。

以上就是Transformer的核心架构，左边是Encoder部分，右边是Decoder部分，理论上可以随意扩展，原版采用6个Encoder和6个Decoder。从架构中可以看到，其实主要的组成包括Input Embedding、（Masked）Multi-Head Attention、Positional Encoding，其它部分例如类似Resnet的跨层直连都是其它网络中比较常用的方法，这里就不赘述了。

Input Embedding

在Encoder部分，直接把原始输入经过一个线性层转化到对应的输入维度；在Decoder层，可以清晰看到，第二层的Attention模块的输入分别来自于上一层以及Encoder的输出。

（Masked）Multi-Head Attention

整个Transformer的核心，自注意力机制的具体实现，根本上就是在评估各个输入间的关系，并针对性给出输出，结构参考下图：

输入原始的语句，将每个单词转换为一个固定维度的向量x（默认为512维），x经过三个线性层得到三个向量query,key,value，前两者用于计算权重不同输入的权重，然后针对每个单词加权求和得到输出z，参考下图：

更多的细节参考文章中讲得很详细，至于Multi-Head的解释，实际上就是将以上部分进行了多次，例如一个单词生成Embedding，基于这个Embedding生成多个q，k，v，分别进行以上过程，得到多层的z。这个过程内涵的原理就是通过多层的注意力机制，让不同层关注输入中不同的内容。

Sequence mask

在Decoder中针对这个模块额外做了一些工作，主要是考虑到在做解码时，我们能够利用的信息一般只有句子中已经出现出现的单词，例如一个10个单词的句子，在解析第5个单词时，我们能够利用的其实只有第0-4个单词，因为一般而言都是按顺序解析一个句子，这一块是利用sequence mask来实现的，这里具体讲一下：
先不考虑Multi-Head，一个有N个单词的句子，经过Attention第一阶段计算得到N个q,k,v，对于任一单词，会用自己的q与其它所有单词的k点乘得到N维的权重向量，针对N个单词就会得到N*N的权重矩阵，如下图：

不增加mask的情况下，直接对每一行计算softmax得到归一化的权重，然后乘以V矩阵得到最终输出Z；考虑sequence mask时，以第一个单词为例，根据上文提到的原则，第一个单词用到的信息只有自己，因此在第一行中，除第一列其它所有权重加上一个极小值，这样经过softmax之后其它权重几乎为0，对于第二个单词，则是除第一列和第二列其它所有权重加上一个极小值，因此，将权重矩阵加上一个充满极小值的对角阵即可完成上述工作：

使用加上mask的权重矩阵与V矩阵相乘得到最终结果。

Positional embbedings

关于位置编码可以参考一文教你彻底理解Transformer中Positional Encoding
在LSTM或者RNN中，输入单词按顺序一个个丢进网络中的，天然就带入了位置的概念；而在以上结构中，明显丢失了重要的位置信息，因此，在输入时，额外增加了positional embedding这个东西，也就是针对输入的位置编码，这个编码需要满足以下特性：

• 反应不同输入的绝对位置
• 反应不同输入的相对位置
• 能够适用于长度不同的输入句子

由于网络中处理还需要考虑输入分布和幅值问题，位置编码与输入编码相加后不能完全覆盖掉原始输入信息，因此文中采用了一种特殊的编码格式，其公式如下：

位置编码的维度与输入维度一致（默认为512维，512维中偶数部分由第一式计算得到，奇数由第二式计算得到），其中pos代表单词在句子里的位置，i表示维度。
直接看这个公式是比较晦涩的，参考文章用二进制来举例的方式非常贴切，这里借用一下：

可以看到，对于二进制表示来看，随着实际数值增大（0-15），高位上的数据变化频率慢，但代表的实际数值很大；低位上的数据变化频率快，但代表的实际数值很小；再看看上面的公式，i越小，三角函数波长越短，频率越高；i越大，三角函数波长越长，频率越低；整体和二进制表示非常类似，只是在进位上有很大区别。
至于这种编码方式是否是最优的，以及能不能完美满足以上几个要求，这个需要进一步讨论。

Swin Transformer

论文：Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
代码：microsoft/Swin-Transformer
参考文章：
Swin Transformer 论文详解及程序解读
近几年Transformer开始侵入到图像领域，在最初的应用中，存在许多问题，例如如何处理输入，如何处理输入的位置信息，如何处理不同尺寸的图像等等，Swin Transformer在借鉴了前人的经验基础上，加入基于Windows和Shifted-Windows的Self-attention概念，取得了不错的结果。
先上网络框架：

虽然最核心的模块都是一个叫Swin Transformer Block的东西，但整体的特征提取部分仍旧参考了传统CNN架构，随着深度加深，特征图分辨率下降，channel增多，如下图：

可以认为主要是由Swin Transformer Block取代了传统的CNN来作特征提取，下面针对具体的每个部分进行解析。

Input

将Transformer从NLP领域应用到CV领域比较大的一个区别在于输入的处理，目前主流的做法是对图像进行分块（patch），针对每一个块进行编码并加入位置编码，然后输进Attention模块。在Swin Transformer中，每个patch包括4*4的像素区域，每个像素3个通道，展开为一维就是48，因此输入转换为h/4*w/4*48的矩阵，再经过一个线性层增加一倍通道，对应上图中第一层；之后每次将输入喂入Swin Transformer Block前，会将输出进行一次patch merging，使其分辨率下降一倍，通道增多一倍。

Swin Transformer Block

整个网络架构的核心，其核心思想仍然遵循Tranformer中attention模块，实现细节略有不同。

计算量

首先，ViT中对所有的patch进行Self-attention计算，随着图像尺寸增大，计算量呈平方上升，假设图像包含$h\times w$个patch，输入通道数为C，具体计算如下：
1、计算每个patch的Q、K、V，直接使用线性层计算，输入输出维度相同，单个patch计算量为$C^2$，所有patch三个量计算量为$3hw{C}^2$。
2、计算所有patch相互之间的$Q\ast K^T$，Q、K维度与输入一致，单个计算量为C，所有计算量为$(hw{)}^{2}C$；得到$hw\times hw$的权重矩阵X（忽略softmax计算），使用X与所有V构成的$hw\times C$维矩阵相乘，计算量也为$(hw{)}^{2}C$，因此总计算量为$2(hw{)}^{2}C$
3、使用使用多头注意力机制，在融合时会增加$hw{C}^2$的计算量。
总计算量为：
$$4hw{C}^2+2(hw{)}^{2}C$$

而Swin Transformer中增加了Windows的概念，将图像分为多个Windows，每个Window包含M*M个patches，只在WIndow内部进行Self-attention计算，这样在图像尺寸增大时，计算量呈线性上升，具体计算如下：
1、Q、K、V以及多头融合计算与前面相同，为$4hw{C}^2$。
2、self-attention只在window内部计算，参考前文，单个window计算量为$2M^{4}C$，一张包含$h\times w$个patch的图像有包含$\frac{h}{M}\times \frac{w}{M}$个windows，总计算量为：$2M^{2}hwC$。
总计算量为：
$$4hw{C}^2+2M^{2}hwC$$
可以明显看到计算量的区别。

相对位置偏移

Swin Transformer中的位置编码跟原始Transformer有比较大的差别，其并非在输入时直接加入位置编码，而是在计算$Q\ast K^T$后加上一个称为相对位置偏移B的量，而这个量是可以被学习的，如下公式：

B具体解释起来比较复杂，参考文章有详细的图文解析，这里不细讲了，主要提几个重要的点：
1、所有的相对位置偏移量都存在一个$2M-1\times 2M-1\times num\_of\_heads$维度的表中，计算时根据索引取值，关于维度为什么不是$M\times M$，是因为相对位置存在重复，例如[0,0]与[1,1]的相对位置和[1,1]与[2,2]的相对位置是相同的，应该取同一个偏移量加入计算；
2、patch与patch之间根据其相对位置偏移计算的是相对位置编码索引，这个索引值反应了两个patch的相对位置。

SW-MSA

为了节省计算量，将Self-attention计算局限在了window内部，然而这样会造成感受野比较小且分块的问题，因此在Swin Transformer中增加了Shifted-MSA的概念，即将window的划分按固定步长进行平移，以使得在多层MSA时能够接收到更大范围的信息，如图所示：

layer1正常计算，layer2起到将layer1中不同window链接的作用。实际的计算过程非常巧妙，在移位前对每个patch打上index，构造一个mask矩阵，移位后不同index的计算位置填充-100，通过bias的方式加到权重矩阵上，具体实现的解析参考文章图文并茂讲的非常详细了，这里不重复赘述了。

Deformable DETR

论文：Deformable DETR
代码：fundamentalvision/Deformable-DETR
关于DETR的细节这里不做详细解析，其主要工作针对Transformer在目标检测任务中的应用，与本系列主要内容相关性不太大；这里主要对Deformable DETR中的一个点Deformable Attention进行解析，它对于后续的应用起到了较为关键的作用，这个东西来自于Deformable CNN，熟悉Deformable CNN的可以很容易理解，这里先看下不同注意力机制的主要公式。
多头注意力机制：
公式对应前文讲过的Transformer多头注意力计算标准公式，M代表多头的个数，${\Omega }_k$表示所有的输入，$x_k$表示第k个输入，A即$Q\times K^T$并经过softmax得到的权重，中括号里面的部分就是对应前文的加权和的部分。

Deformable Attention：

与第一个公式对比可以发现，主要多了$\Delta p_{mqk}$这个东西，其实它就是一个位置偏移，是一个与输入Q以及可学习参数有关的东西；此外K并不代表所有输入，是一个可以预先设定的参数。
数学上的解释论文讲的很详细，这里抽象来理解下，原版多头注意力考虑每个输入与其他所有输入的关系，其关系强弱由权重决定，这样计算量大收敛慢，好处是收敛后不会漏掉任何的关联关系；Deformable Attention只考虑某个输入与固定数量输入的关系，至于具体考虑哪些输入，由网络学习到的参数和输入的Q一起决定。
考虑多层feature map输入的Deformable Attention：

理解了Deformable Attention，那么这个公式也很好理解，此时的输入扩展到多层不同分辨率的feature map，与上式对比主要增加了针对多层和多分辨率的处理。

• 针对多层，我们先假设每层分辨率一样，那么在计算某个输入与其他固定数量个输入的关系时，不能再局限在这个输入所在的feature map，而是会扩展到多个feature map去寻找关联关系，公式中的L代表所有的feature map数量，不同的$l$代表在不同的feature map上寻找输入并进行加权计算，例如权重计算A增加了层的维度，输入x也增加了层的维度；
• 针对不同分辨率，这个就更简单了，将位置p进行归一化，结合每个feature map展开即可，例如原来只有一张图，分辨率100*100，针对一个位置(50,50)进行处理，现在有两张图，分辨率为100*100和50*50，针对一个位置（0.5，0.5）进行处理，实际取值时，用归一化的位置乘分辨率得到真正的索引再取值就好。

总结

本文从原版Transformer出发，解析了其涉及的几个关键点，同时对比图像领域影响较大的Swin Transformer的改进点，以及针对后面会用到的一项关键技术Deformable Attention进行了相应的解析，为后面Transformer在自动驾驶感知中的应用打下基础，其实从Deformable Attention的分析中已经可以初步窥见应用Transformer处理多维度数据输入的端倪了，当然在实际的应用中还包含很多基于工程的设计和考虑，后面再慢慢分析。