[Transformer] Inception Transformer

最新推荐文章于 2024-02-29 09:37:58 发布

Cherry_qy

最新推荐文章于 2024-02-29 09:37:58 发布

阅读量987

点赞数

分类专栏： Transformer backbone 文章标签： transformer 深度学习人工智能

本文链接：https://blog.csdn.net/weixin_46746665/article/details/125422610

版权

Transformer backbone 专栏收录该内容

18 篇文章 5 订阅

订阅专栏

Inception Transformer混合架构！iFormer：灵活移植Inception的卷积与最大池化https://mp.weixin.qq.com/s/ALj8LMcq2qKMhh1J0nwlDg

本片笔记主要参考上述文章

iFormer：Inception Transformer

论文： https://arxiv.org/abs/2205.12956v2

代码： https://github.com/sail-sg/iFormer

一、图像高低频

图像中的低频信息和高频信息也叫做低频分量和高频分量。其中高频信息包括图像强度（亮度/灰度）变化剧烈的像素点，例如局部的边缘和纹理。而低频信息则包括图像强度（亮度/灰度）变换平缓的像素点，例如场景或物体的全局形状和结构。如图1所示，将原图进行高低频信号分离后，可以很明显看出高频信号相比低频包含显著的边缘与轮廓信息。

一般地，在图像处理中，高频特征图更有利于显著性检测。然而如何区分图像高低频，则可以使用设置阈值的方法来划分。

二、为什么要用Inception？

ViT系列架构在建模远距离依赖关系时表现出强大的能力，这得益于self-attention的全局计算方式，然而在捕获更多全局信息（低频）的同时，却忽略了局部信息（高频）同样重要。

作者等人对ViT进行傅里叶频谱和相对对数振幅可视化比对，证明了上述结论，即ViT拥有对低频信号的偏好。

显然这种架构是不合理的，一味地捕获低频信息可能会恶化高频成分从而削弱ViT系列架构的性能，同时如上所述，高频信息在图像处理中更有利于显著性检测、细粒度分类任务等等。

因此一种能合理捕获并利用高低频信息的架构值得被提出。而卷积因其局部计算的特点，可以有效的提取高频信息，尽管目前已有不少工作将卷积神经网络与Transformer相结合，但缺点十分明显：

串联的结合方式，将导致在一层仅对一个方面进行建模，如在卷积层对局部建模，在Transformer层对全局建模。这样的结合方式并不能做到二者兼顾。

并行的结合方式，一般用一个分支处理局部信息，另一个分支用于处理全局信息。显而易见这样的方式如果对所有通道进行处理，将带来信息冗余。

而Inception结构可以很好的处理并行结合带来的问题，只需在进入分支前划分合适的通道即可。同时对于不同深度的层对于高低频信息的需求量不同，可以控制划分不同的通道数来适应深度。作者等人将iFormer进行特征图的傅里叶谱可视化，其结构如下所示：

可以看到 iFormer 在第 6 层捕获更多高频分量，在第 18 层捕获更多低频信息。同时高频信息从第 6 层逐渐减少到第 18 层，而低频信息则相反。

三、Inception Transformer剖析

Inception token mixer

如图所示，输入特征沿通道维度被切分为Ch和Cl，分别被送入High-frequency mixer和Low-frequency mixer。

其中High-frequency mixer由两个分支组成，如图，第一个分支包含最大池化和一个线性层，第二个分支由串联的线性层和深度卷积层组成。

特征通道为Ch在的特征图输入这两个分支前，被均分为二。

在Low-frequency mixer中，仅由一个单独的分支所构成。利用self-attention来学习全局特征。由于自注意力在大分辨率特征图上导致巨大的计算代价，这里利用平均池化来减轻计算负担。最后的Upsample则用以恢复维度。

由于上采样操作是利用每个点周围的值来进行插值，忽略了其他的点，容易造成相邻token之间的过度平滑。因此设计一个fusion模块来解决这个问题：

利用深度卷积进行patch之间的信息交换，同时保留之前Transformer中的跨通道线性层。

为什么要分成两个分支去学习高频分量呢？

Considering the sharp sensitiveness of the maximum filter and the detail perception of convolution operation

事实上，对于高频分量的计算，如果仅使用一个简单的卷积去提取，效果一定是大打折扣的。本文设计其为分支结构，一个分支用以最大池化，计算局部最大值；一个分支用以深度卷积，在有效减轻参数量的情况下来提取局部特征，即高频分量。最终将二者的计算结果相融合，得到的效果远非一个简单的局部卷积可比。

Inception Transformer

如图所示，iFormer包含四个阶段。每一个iFormer Blocks的结构如图4最右侧所示，除了上文介绍过的Inception Mixer外，增加了残差连接与与前馈层来提升模型性能。

Frequency ramp structure

为解决并行结合方式带来的问题，需要在进行分支前划分不同的通道数。而在网络的不同深度，对高低频信息的需求量也不同。

在视觉结构中，底层更多地提取高频细节，而顶层更多地对低频全局信息进行建模。

通过捕捉高频部分的细节信息，底层可以得到初级的视觉特征，并逐步收集局部信息来实现对输入的全局理解。

因此我们提出了一个Frequency ramp structure，从底层向顶层逐步地分配更多的通道数给低频mixer。Ch/C和Cl/C代表的是Ch和Cl分别占C的比例，且二者和为1。

Ch/C逐渐减小，Cl/C逐渐增大。由此，iFormer可以有效的权衡高频和低频部分。

本文的具体通道划分如下表所示：

四、性能对比

1. 分类

对于20M左右的小容量模型来说，iFormer优于SOTA的ViTs和混合ViTs，尽管已经有一些ViTs（Swin、Focal、CSwin等）引入了类似卷积的inductive bias，混合ViTs直接在ViTs中引入了卷积。我们的iFormer-S比SOTA的ViTs（CSwin-T）和混合ViTs（UniFormer-S）分别取得了0.7%和0.5%的性能提升。

对于50M左右的中等容量模型来说，iFormer-B实现了84.6%的top-1准确率，比SOTA的ViTs和混合ViTs分别取得了1.0%和0.7%的性能提升。与CNN比较，iFormer-B比 ConvNeXt-S提升了1.5%。