视觉TRANSFORMERS（ViT）

论文： AN IMAGE IS WORTH 16X16 WORDS:TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE

Github：

GitHub - google-research/vision_transformer

GitHub - lucidrains/vit-pytorch: Implementation of Vision Transformer, a simple way to achieve SOTA in vision classification with only a single transformer encoder, in Pytorch

论文提出将 Transformer网络结构应用于视觉算法，即Vision Transformer (ViT)。最终取得了ImageNet 88:55%准确性,  ImageNet-ReaL90:72%准确性, CIFAR-10094:55%准确性,

VTAB77:63%准确性。

网络结构：

标准的transformer的输入是1维的token embedding。为了处理二维图像，我们将尺寸为 H*W*C 的图像reshape为拉平的2维图块，尺寸为N *（P2*C） 。其中（P,P） 为图块的大小， N=H*W/P2 是图块的数量，会影响输入序列的长度。Transformer在所有图层上使用恒定的隐矢量D，比如D=1024，将patch块拉平，并使用可训练的线性投影映射到D的大小，此时输出大小为1*N*D的向量，随机初始化分类token，维度为1*1*D，将此1*N*D的向量和1*1*D的分类token向量进行concat操作，得到1*(N+1)*D的输出向量，

将此输出称为patch embedding。随机初始化大小为1*(N+1)*D的位置编码向量。而后，patch embedding 和position embedding相加，得到最终的 embedding向量。最终的 embedding向量经过Tranformer 编码器处理，输出的向量在(N+1)的维度上进行mean pooling操作，然后输入MLP HEAD进行线性投影得到最终的分类结果。

        self.to_patch_embedding = nn.Sequential(
            Rearrange('b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1 = patch_height, p2 = patch_width),
            nn.Linear(patch_dim, dim),
        )

        self.pos_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim))
        self.cls_token = nn.Parameter(torch.randn(1, 1, dim))
        self.dropout = nn.Dropout(emb_dropout)

        self.transformer = Transformer(dim, depth, heads, dim_head, mlp_dim, dropout)

        self.pool = pool
        self.to_latent = nn.Identity()

        self.mlp_head = nn.Sequential(
            nn.LayerNorm(dim),
            nn.Linear(dim, num_classes)
        )

    def forward(self, img):
        x = self.to_patch_embedding(img)
        b, n, _ = x.shape

        cls_tokens = repeat(self.cls_token, '() n d -> b n d', b = b)
        x = torch.cat((cls_tokens, x), dim=1)
        x += self.pos_embedding[:, :(n + 1)]
        x = self.dropout(x)

        x = self.transformer(x)

        x = x.mean(dim = 1) if self.pool == 'mean' else x[:, 0]

        x = self.to_latent(x)
        return self.mlp_head(x)

 

 

Tranformer编码器由multi-head self-attention（MSA）和MLP块的层组成。在每个块之前应用Layernorm（LN），在每个块之后应用残差连接。MLP包含具有GELU非线性的两全连接层。

缺点：

图片进行分patch操作后，只有在每个patch内部有信息交互，而patch和patch之间，只有在最后的MLP HEAD层才有交互，patch之间的信息交互太少。导致最终的translation equivariance（平移等变性）和locality（局部感知性）较弱。只有在大规模的数据集下才能有比较好的效果。比如在 ImageNet-21k，JFT-300M这样的数据量下才可以超越resnet。而在比较小的数据量下，效果却没有resnet好。

实验结果：