笔记：RACV2021观点集锦 | 视觉transformer 从主干encoder 到任务decoder: 现状与趋势

会议链接

RACV2021观点集锦 | 视觉transformer 从主干encoder 到任务decoder: 现状与趋势

low/high level的视觉任务都有相应的transformer刷榜。然而，火热研究的背后，真正深层次的问题有没有得到解决，真正的难点有没有得到突破，仍然值得冷静的思考和讨论

邱锡鹏：Transformer促进范式迁移

CV里面Decoder的部分可能是被忽略了，大家都在关注Encoder部分。其实Transformer是个完整的Encoder-Decoder架构，特别在Decoder上面，它有cross-attention会使得它这个模型相当的灵活。

NLP的统一范式

• 它们变成序列到序列的范式

  比如说第一个机器翻译任务 that’s good，我们就在前面加一个任务的描述，就是translate English to German，加了这个之后的序列，就输入到T5。然后T5就输出对应的德语。再比如说我们要做Summarization，就在输入序列前面就加个Summarize，然后冒号，它就输出对应的摘要。
  

📖 Decoder part is neglected in CV.

Pix2Seq：用于目标检测的语言建模框架

参考链接

PIX2SEQ: 用于目标检测的语言建模框架

https://github.com/gaopengcuhk/Stable-Pix2Seq

The neural net perceives an image and generates a sequence of tokens that correspond to bounding boxes and class labels

Spotlight

• 现有方法：精心设计的框架

  大多数现有的方法都是使用精心设计和高度定制的框架，在模型结构和损失函数的选择方面需要大量的先验知识，比如NMS、ROI Pooling等等

• 作者认为：

  如果神经网络知道对象在哪里以及对象是什么，那么我们只需要教它读出它们（即语言生成任务） 。通过学习“描述”对象，模型可以在像素观察的基础上，学习“语言”的生成，从而产生有用的对象表示。

In essence, we cast object detection as a language modeling task conditioned on pixel inputs, for which the model architecture and loss function are generic and relatively simple, without being engineered specifically for the detection task.

架构设计

1. 图像增强（Image Augmentation） ：作者使用图像增强来丰富一组固定的训练样本(例如，使用随机缩放和裁剪)。
2. 序列构造和增强（Sequence construction & augmentation） ：目标检测数据中的目标通常用检测框和类别标签来表示，作者在Pix2Seq中将其表示为一些离散token的序列，并在训练过程中对其进行了增强。
3. **结构（Architecture） ：**作者使用编码器-解码器结构，其中编码器用来感知像素输入，解码器用于生成目标序列。
4. 目标函数（Objective/ function）： 该模型的训练目标是最大化以图像和之前的token为条件的token对数似然。

根据对象描述构建序列

每个对象（bounding box）都可以描述成$[y_{min},x_{min},y_{max},x_{max},c]$。

对于坐标$x,y$来说，其被离散成$[1,n_{bins}]$。这里的$n_{bins}$代表着可能的坐标数值。

对给定图像，序列化多个对象描述。同时对象的顺序于任务本身无关，所以使用随机排序策略。

胡瀚：为什么Transformer在视觉中如此受欢迎

总结了五大价值和优点

通用性

Transformer可以看作是一个图

它用图的节点和边分别来表示所有概念以及概念之间的关系，这个概念可以是实体，例如视觉物体，也可以是抽象的概念、词汇→Transformer可以表示万事万物。

验证的哲学去构建关系

对每个节点的特征做投影，在投影的空间里去比较节点之间的相似度，用这个相似度来刻画节点之间的关系

• 像素-像素建模：以前采用卷积，目前主要采用Transformer或者其中的自注意单元了，这个其实主要与Transformer的Encoder部分相关
• 像素-物体建模：采用交叉注意力单元，这与Transformer的Decoder部分相关
• 物体-物体建模：深度学习之前：研究如何引入上下文（context）帮助识别；深度学习时代：研究如何表征学习；Transformer时代：重新对上下文进行建模

建模异构数据

现在在CV和NLP中都有大量基于Transformer的模型，而且也可以利用Transformer进行跨模态的结合。

同时，CV相比NLP需要解决更广泛的问题范畴，事实上CV可以看作是Speech+NLP的结合，它涉及信号处理、感知和认知多个层次的任务。