本文转载自知乎，已获作者授权转载。
链接：https://zhuanlan.zhihu.com/p/353222035
TL;DR
这个工作把金字塔结构引入到Transformer[1]中，使得它可以像ResNet[2]那样无缝接入到各种下游任务中（如：物体检测，语义分割），同时也取得了非常不错的效果。
希望这些尝试能够促进更多下游任务的进一步发展，将NLP领域中Transformer的火把传递到CV的各个任务上。欢迎各位看官试用~
我们主要做了以下几个微小的工作：
1. 分析ViT[3]遗留的问题
大家都知道，在ViT中，作者为图像分类提出了一个纯Transformer的模型，迈出了非常重要的一步。相信大家看到ViT后的第一个想法就是：要是能替代掉恺明大佬的ResNet用在下游任务中岂不是美滋滋。
但是，ViT的结构是下面这样的，它和原版Transformer一样是柱状结构的 。
这就意味着：
1）它全程只能输出16-stride或者32-stride的feature map；
2）一旦输入图像的分辨率稍微大点，占用显存就会很高甚至显存溢出。
2. 引入金字塔结构
计算机视觉中CNN backbone经过多年的发展，沉淀了一些通用的设计模式。
最为典型的就是金字塔结构。
简单的概括就是：
1）feature map的分辨率随着网络加深，逐渐减小；
2）feature map的channel数随着网络加深，逐渐增大。
几乎所有的密集预测（dense prediction）算法都是围绕着特征金字塔设计的，比如SSD[4]，Faster R-CNN[5], RetinaNet[6]。
这个结构怎么才能引入到Transformer里面呢？
试过一堆胡里花哨的做法之后，我们最终还是发现：简单地堆叠多个独立的Transformer encoder效果是最好的（奥卡姆剃刀定律，yes）。
然后我们就得到了PVT，如下图所示。在每个Stage中通过Patch Embedding来逐渐降低输入的分辨率。
其中，除了金字塔结构以外。为了可以以更小的代价处理高分辨率（4-stride或8-stride）的feature map，我们对Multi-Head Attention也做了一些调整。
为了在保证feature map分辨率和全局感受野的同时降低计算量，我们把key（K）和value（V）的长和宽分别缩小到以前的1/R_i。
通过这种方法，我们就可以以一个较小的代价处理4-stride，和8-stride的feature map了。
3. 应用到检测分割上
接下来，我们可以把PVT接入到检测和分割模型上试试水了。PVT替换ResNet非常容易，以大家常用的mmdetection[7]为例，放置好模型的代码文件之后，只需要修改模型的config文件就可以了。
从上面的图中可以看到，PVT在RetinaNet上的效果还是非常不错的。在和ResNet50相同的参数量下，PVT-S+RetinaNet在COCO val2017上的AP可以到40+。
另外我们还基于PVT+DETR[8]和Trans2Seg[9]构建了纯transformer的检测和分割网络，效果也不错。具体参考论文Section 5.4。
最后分享一下我个人的一些不成熟的看法吧。
1. 为什么PVT在同样参数量下比CNN效果好？
我认为有两点 ：1）全局感受野和 2）动态权重。
其实本质上，Multi-Head Attention（MHA）和Conv有一些相通的地方。MHA可以大致看作是一个具备全局感受野的，且结果是按照attention weight加权平均的卷积。因此Transformer的特征表达能力会更强。
关于MHA和Conv之间的联系，更多有意思的见解可以拜读下代季峰大佬的An Empirical Study of Spatial Attention Mechanisms in Deep Networks[10]。
2. 后续可扩展的思路
1）效率更高的Attention：随着输入图片的增大，PVT消耗资源的增长率要比ResNet要高，所以PVT更适合处理中等输入分辨率的图片（具体见PVT的Ablation Study）。所以找到一种效率更高的Attention方案是很重要的。
2）Position Embedding：PVT的position embedding是和ViT一样，都是随机的参数，然后硬学的。而且在改变输入图像的分辨率的时候，position embedding还需要通过插值来调整大小。所以我觉得这也是可以改进的地方，找到一种更适合2D图像的方法。
3）金字塔结构：PVT只是一种较简单的金字塔式Tranformer。中间是通过Patch Embedding连接的，或许有更优美的方案。
最后的最后，PVT在分类/检测/分割或其他一些领域上的应用（code/config/model）都会在github.com/whai362/PVT上发布，大家可以star一下，方便后面查看。
论文：https://arxiv.org/abs/2102.12122
源码：https://github.com/whai362/PVT
参考资料
[1]^Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. 2017: 6000-6010.
[2]^He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.
[3]^Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth 16x16 words: Transformers for image recognition at scale[J]. arXiv preprint arXiv:2010.11929, 2020.
[4]^Liu W, Anguelov D, Erhan D, et al. Ssd: Single shot multibox detector[C]//European conference on computer vision. Springer, Cham, 2016: 21-37.
[5]^Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]//Proceedings of the 28th International Conference on Neural Information Processing Systems-Volume 1. 2015: 91-99.
[6]^Lin T Y, Goyal P, Girshick R, et al. Focal loss for dense object detection[C]//Proceedings of the IEEE international conference on computer vision. 2017: 2980-2988.
[7]^Chen K, Wang J, Pang J, et al. MMDetection: Open mmlab detection toolbox and benchmark[J]. arXiv preprint arXiv:1906.07155, 2019.
[8]^Carion N, Massa F, Synnaeve G, et al. End-to-end object detection with transformers[C]//European Conference on Computer Vision. Springer, Cham, 2020: 213-229.
[9]^Xie E, Wang W, Wang W, et al. Segmenting transparent object in the wild with transformer[J]. arXiv preprint arXiv:2101.08461, 2021.
[10]^Zhu X, Cheng D, Zhang Z, et al. An empirical study of spatial attention mechanisms in deep networks[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 6688-6697.
END
备注：TFM
Transformer交流群
2D、3D目标检测等最新资讯，若已为CV君其他账号好友请直接私信。
我爱计算机视觉
微信号:aicvml
QQ群:805388940
微博知乎:@我爱计算机视觉
投稿:amos@52cv.net
网站:www.52cv.net
在看，让更多人看到 
461
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
