CrossFormer：A Versatile Vision Transformer Hinging On Cross-Scale Attention

最新推荐文章于 2022-09-05 22:13:25 发布

名字不如叫摸鱼

最新推荐文章于 2022-09-05 22:13:25 发布

阅读量3.2k

点赞数 2

文章标签：神经网络深度学习计算机视觉

本文链接：https://blog.csdn.net/qq_41327720/article/details/124352070

版权

研究背景

尽管Transformer在CV领域取得了不错的成就，但现有的Transformer存在一个限制其性能的缺陷，它们不能再不同尺度的feature上面构建interaction，而这种能力对于许多视觉任务来说是非常重要的。现有的Transformer没这种能力有以下两个原因：

embeddings是从equal-size中生成的，所以它们只具有单一尺度的特征，并再后续层中其规模保持不变或统一变大，因此在同一层的embedding总是equal-scale的；
在self-attention中，相邻embedding经常被组合在一起并合并，然而，在这种情况下，即使embedding同时具有小尺度和大尺度特征，合并操作也会失去每个单独embedding的小尺度(细粒度)特征，这使跨尺度注意不可用。

解决思路

Cross-Scale Embedding Layer

CEL可以为每个stage生成input embedding，以第一个为例，它接收一幅图像作为输入，然后使用四个不同大小的卷积核对图像块进行采样。四个卷积核的步幅保持不变，在下图中我们可以看到，每四个对应的patch都有相同的中心，不同的尺度，这四个patch都会被投影并拼接成一个嵌入。对于跨尺度嵌入，一个问题是如何设置每个尺度的project dimension。由于相同维度下，大卷积比小卷积有更大的计算量，为例控制CEL的总计算量，对大卷积用较低的维度，小卷积用较高的维度，具体分配参考下图。这个方案节省了大量的计算量，但不明显影响模型的性能。

CrossFormer Block

每个CrossFormer Block由一个长短距离注意力模块(LSDA: Long Short Distance Attention)和一个多层感知机(MLP)组成，如下图。

Long Short Distance Attention

我们将self-attention分为两部分:短距离注意(SDA: Short Distance Attention)和长距离注意(LDA: Long Distance Attention)。对于SDA，将每个相邻的G x G embedding组合在一起，下图a为G=3的示例。对于输入尺寸为S x S的LDA，以固定的间隔I对embedding进行采样。如图b (I = 3)，所有带有红色边框的embedding都属于一组，带有黄色边框的embedding都属于另一组。LDA的组高度或宽度计算为G=S/I(即在本例中G=3)。
分组之后，SDA和LDA在每组内均采用vanilla self-attention，结果表明，自注意模块的内存/计算成本由O(S4)降低到O(S2G2)，大多数情况下G << S。
值得注意的是，LDA的有效性也得益于跨尺度embedding。具体来说，我们在图b中绘制了包含两个embedding的所有patches。我们可以看到，两个embedding的小尺度patches是不相邻的，所以在没有上下文的帮助下很难判断它们之间的关系。换句话说，如果只是用small-scale patches(即single-scale feature)，将很难构建这两种embedding之间的依赖关系。相反，相邻的large-scale patches提供了足够的上下文来连接这两种embedding，使得远距离的跨尺度注意更容易也更有意义。

Dynamic Position Bias

随着位置编码技术的不断发展，相对位置编码偏差逐渐的应用到了transformers中，很多的vision transformers均采用RPB来替换原始的APE，好处是可以直接插入到我们的attention中，不需要很繁琐的公式计算，并且可学习性高，鲁棒性强，公式如下:

但很显然，如果图像的尺寸变化，那么可能会超出B所表达的范围。举个栗子，如果我们的窗口大小为7x7 那么我们希望的相对位置范围为[公式]假设我们不考虑截断距离，如果我们的窗口突然放大到了9x9，那么我们实际的相对位置所表达的信息只是中间的一部分窗口，失去了对外层数据位置的访问。DPB的思想则是，我们不希望通过用实际的相对位置来做embeeidng，而是希望通过隐空间先对位置偏差进行学习，如下图所示。 DPB由3个线性层+LayerNorm+ReLU组成的block堆叠而成，最后接一个输出为1的线性层做bias的表征，输入是（N, 2），由于self-attention是由多个head组成的，所以输出为（N, 1 x heads）