Focal Modulation Networks
Focal Modulation Networks
1. 资源链接
论文链接-arxiv
官方代码-github
官方博客-microsoft
2. 摘要
该论文提出了一个Focal Modulaiton network,将自注意力机制替换成focal modulation(聚焦调制)。这种机制包括3个组件:1)通过depth-wise Conv提取分级的上下文信息,同时编码短期和长期依赖。2)门控聚合,基于每个token的内容选择性的聚集视觉上下文。3)通过点乘或者仿射变换将汇聚的上下文信息注入query。
Focal Net 主要是在block中加入了Mulit-level 的特征融合机制,类似于目标检测中很常见的 FPN结构,同时学习粗粒度的空间信息和细粒度的特征信息,提高网络的性能。该网络做为新型的backbone,在分类,分割,目标检测,实例分割等任务上都取得了非常好的效果,尤其是基于DETR 框架的检测算法在COCO上取得了新的SOTA结果。
3. 结果
从下图可以看到,基于FocalNet的检测算法模型相对较小,训练数据也比较少,性能却有提高。
4. 特征可视化
从门控信号可视化可以看到,正如文章宣称的,不同level的特征可以注意到图像中不同的区域,包括图像局部特征区域和全局空间信息。
6. 和自注意力机制对比
6.1 定性分析
相比于自监督,FocalModulation 的输出关注了多尺度的上下文,算子更轻量化。
6.2 结构差异
自注意力中,key和qury是密集的矩阵相乘,Attention也是和value的密集矩阵乘积。而FocalNet中分别采用Depth-Wise Conv和Point-Wise Conv,计算更轻量化。
7核心代码
Focal Modulation代码
class FocalModulation(nn.Module):
def __init__(self,
dim,
focal_window,
focal_level,
focal_factor=2,
bias=True,
proj_drop=0.,
use_postln=False):
super().__init__()
self.dim = dim
self.focal_window = focal_window