YOLOv8改进线性注意力模块 ICCV2023 FLatten Transformer

1，原理部分

论文地址：2308.00442 (arxiv.org)

在将 Transformer 模型应用于视觉任务时，自我注意的二次计算复杂性一直是一个持续的挑战。另一方面，线性注意力通过精心设计的映射函数近似 Softmax 操作，通过其线性复杂性提供了一种更有效的替代方案。然而，当前的线性注意力方法要么性能显著下降，要么从 Map 函数中引入额外的计算开销。在本文中，我们提出了一种新的 Focused Linear Attention 模块，以实现高效率和表现力。具体来说，我们首先从两个角度分析了导致线性注意力性能下降的因素：聚焦能力和特征多样性。为了克服这些限制，我们引入了一种简单而有效的映射函数和一种高效的秩恢复模型，以增强自我注意力的表现力，同时保持较低的计算复杂度。大量的实验表明，我们的线性注意力模块适用于各种先进的视觉 Transformers，并在多个基准测试中实现了持续改进的性能。