使用Vision Transformers实现高效语义分割的内容感知共享Token

Content-aware Token Sharing for Efficient Semantic Segmentation with Vision Transformers

摘要

本文介绍了Content-aware Token Sharing（CTS），这是一种Token 减少方法，可以提高使用视觉转换器（ViTs）的语义分割网络的计算效率。现有的工作已经提出了Token 减少方法来提高基于ViT的图像分类网络的效率，但这些方法并不直接适用于我们在本工作中解决的语义分割。我们观察到，对于语义分割，如果多个图像块包含相同的语义类，则它们可以共享一个Token ，因为它们包含冗余信息。我们的方法通过使用一个高效的、与类无关的策略网络来利用这一点，该策略网络可以预测图像补丁是否包含相同的语义类，并允许它们共享Token 。
代码地址

Content-aware Token Sharing（CTS）。基于ViT的标准分割网络将固定大小的patch转换为token，并处理所有这些patch。为了提高效率，我们建议让语义相似的patch共享一个token，并在不降低分割质量的情况下实现相当大的效率提升。

本文方法

数据集统计信息：展示了有多少图像具有一定百分比的包含单个语义类的超匹配。我们假设这些超级伙伴可以共享一个token。

Content-aware token sharing framework

方法概述：

1. 引入了一个策略网络p，该网络预测哪些图像patch可以在不降低性能的情况下共享令牌。
2. 使用token共享模块ts将这些patch组合为单个令牌。随后，剩余的token通过 transformer模型馈送，并使用模块tu“共享”输出token
3. 在进行每个token预测之后或在进行每像素预测之前

Content-aware token sharing policy

Token sharing policy：我们教导我们的Token sharing policy网络，如果超级patch包含单个语义类，那么它应该共享token
从左到右：（a）具有超级patch网格的输入图像；（b） 分割标签；（c） 包含单个类的超级patch；（d） 类别不可知的标签

实验结果