Segformer 论文笔记

最新推荐文章于 2024-04-13 21:59:16 发布

Tianchao龙虾

最新推荐文章于 2024-04-13 21:59:16 发布

阅读量4.3k

点赞数 21

分类专栏： Transformer 论文笔记实例分割论文笔记文章标签：深度学习神经网络计算机视觉

本文链接：https://blog.csdn.net/wuchaohuo724/article/details/120413273

版权

实例分割论文笔记同时被 2 个专栏收录

21 篇文章 3 订阅

订阅专栏

Transformer 论文笔记

11 篇文章 2 订阅

订阅专栏

SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers

SegFormer

论文链接: https://arxiv.org/abs/2105.15203
代码链接: https://github.com/NVlabs/SegFormer
Demo链接: https://www.bilibili.com/video/BV1MV41147Ko/

一、 Problem Statement

SETR 采用了 ViT 作为backbone，然后与CNN的decoders结合来扩大特征图的分辨率。但是ViT有以下缺点:

ViT的输出是single-scale low-resolution的特征图，而不是multi-scale的。
计算量大。

对于第一个缺点， (pyramid vision transformer)PVT 基于 ViT提出了金字塔结构。但是，当PVT结合Swin Transformer和Twins的时候，这些方法主要考虑的是Transformer encoder，忽略了对decoder的进一步改进和提升。

二、 Direction

基于效率，精度和鲁棒性，作者提出了以下两个方向:

positional-encoding-free and hierarchical Transformer encoder
lightweight ALL-MLP decoder

所提出的encoder避免插入位置信息，对于训练和测试不同分辨率的输入，不会影响性能。除此之外，hierarchical部分可以使得encoder产生高分辨率精细的特征图和低分辨率粗糙的特征图。其次，提出的lightweight ALL-MLP decoder是Transformer产生的特征，其中较低层的注意力往往停留在局部，而最高层的注意力是非局部的。通过融合不同层的信息，MLP encoder结合了局部和全局的注意力。

三、 Method

先来看一下整体的网络结构:
在这里插入图片描述

可以看到，网络主要分两个部分:

A hierarchical Transformer encoder
A lightweight ALL-MLP decoder

输入一张图片 $\times W \times 3$ ，首先会分成size为 $\times 4$ 的patches。使用小一点的patches size有益于dense prediction task。 然后使用这些patches作为输入，输入到hierarchical Transformer encoder里面来获得多层级的特征图，分别为原图的 ${1/4, 1/8, 1/16, 1/32\}$ 大小。然后把这些多层级的特征图输入到ALL-MLP decoder中，预测大小为 $\frac{H}{4} \times \frac{W}{4} \times N_{cls}$ 的segmentation mask，其中 $N_{cls}$ 是类别的数量。

1. Hierarchical Transformer Encoder

Encoder由图示模块所堆叠起来: 包括Efficient Self-Attention，Mix-FFN和Overlap Patch Embedding三个模块。

Overlap Patch Embedding
给定一个大小为 $\times W \times 3$ 的输入，使用patch merging来获得多层级的feature map $F_i$ ，对应的分辨率大小为: $\frac{H}{2^{i-1} } \times \frac{W}{2^{i+1} } \times C_i, \quad i \in \{1,2,3,4\}$ ，其中通道数 $C_{i+1}$ 大于 $C_i$ 。 Overlapped Patch merging操作会把 $\times N \times 3$ 的输入变为 $1\times 1\times C$ 的vector。不太了解的话，我们看以下源代码一些片段:
```
class MixVisionTransformer(nn.Module):
    def __init__(self, ...):
        super().__init__()
        self.patch_embed1 = OverlapPatchEmbed(img_size=img_size, patch_size=7, stride=4, 
                                              in_chans=in_chans, embed_dim=embed_dims[0])

        self.patch_embed2 = OverlapPatchEmbed(img_size=img_size // 4, patch_size=3, stride=2, 
                                              in_chans=embed_dims[0], embed_dim=embed_dims[1])

        self.patch_embed3 = OverlapPatchEmbed(img_size=img_size // 8, patch_size=3, stride=2,
                                              in_chans=embed_dims[1], embed_dim=embed_dims[2])

        self.patch_embed4 = OverlapPatchEmbed(img_size=img_size // 16, patch_size=3, stride=2, 
                                              in_chans=embed_dims[2], embed_dim=embed_dims[3])



class OverlapPatchEmbed(nn.Module):
    def __init__(self, img_size=224, patch_size=7, stride=4, in_chans=3, embed_dim=768):
        super().__init__()
        self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=stride, padding=(patch_size[0] // 2, patch_size[1] // 2))
        self.norm = nn.LayerNorm(embed_dim)
    

    def forward(self, x):
    x = self.proj(x)
    _, _, H, W = x.shape
    x = x.flatten(2).transpose(1, 2)
    x = self.norm(x)

    return x, H, W 
```
可以看到，Overlap patch merging操作主要是2D卷积，通过改变patch_size和stride把特征图进行缩放，形成了特征层级结构。ViT中使用的patch merging过程结合的是非重叠的patches，因此会导致无法保留这些patches之间的局部联系。而这里所用的是overlapping patch merging。通过patch_size和stride的不同达到效果
Efficient Self-Attention
encoder的主要计算瓶颈在self-attention层。在原始的multi-head self-attention过程中，每一个heads $Q, K, V$ 都是相同的维度 $\times C$ ，其中 $\times W$ 是序列的长度。所以self-attention定义为:
$\text{Attention(Q, K, V)} = \text{Softmax}(\frac{QK^T}{\sqrt{d_{head}}})V$

这个过程的复杂度是 $O(N^2)$ ，对于分辨率大的图像是难以承担的。所以作者提出了 sequence reduction process。也就是PVT中提出来的spatial reduction操作。
$\hat{K} = Reshape(\frac{N}{R}, C\cdot R)(K) \\ K = Linear(C \cdot R, C) (\hat{K})$

简单来说，输入维度为 $N\times C$ 的K 首先会reshape成维度为 $\frac{N}{R} \times (C\cdot R)$ 维度。然后通过Linear变换，將 $\cdot R)$ 的维度变为 $C$ 。这样输出的 $K$ 维度为 $\frac{N}{R}\times C$ ，计算复杂度为 $O(\frac{N^2}{R})$ 。作者把reduction ratio设置为 $[64, 16, 4, 1]$ ，分别对应stage-1到stage-4。

因此，在本文中 $Q, K, V$ 的维度分别为 $\times C, \frac{N}{R} \times C, \frac{N}{R}\times C$ 。因此 softmax的维度为: $Q K^T) V$ ，也就是 $\times C) \times (C \times \frac{N}{R}) \times ( \frac{N}{R} \times C) = (N \times \frac{N}{R}) \times (\frac{N}{R} \times C) = N \times C$ 。

下面来看一下代码节选:
```
  class Attention(nn.Module):
      def __init__(self, dim, num_heads=8, qkv_bias=False, qk_scale=None, attn_drop=0., proj_drop=0., sr_ratio=1):
          super().__init__()
          assert dim % num_heads == 0, f"dim {dim} should be divided by num_heads {num_heads}."

          self.dim = dim
          self.num_heads = num_heads
          head_dim = dim // num_heads
          self.scale = qk_scale or head_dim ** -0.5

          self.q = nn.Linear(dim, dim, bias=qkv_bias)
          self.kv = nn.Linear(dim, dim * 2, bias=qkv_bias)
          self.attn_drop = nn.Dropout(attn_drop)
          self.proj = nn.Linear(dim, dim)
          self.proj_drop = nn.Dropout(proj_drop)

          self.sr_ratio = sr_ratio
          if sr_ratio > 1:
              self.sr = nn.Conv2d(dim, dim, kernel_size=sr_ratio, stride=sr_ratio)
              self.norm = nn.LayerNorm(dim)

          
      def forward(self, x, H, W):
          B, N, C = x.shape
          q = self.q(x).reshape(B, N, self.num_heads, C // self.num_heads).permute(0, 2, 1, 3)

          if self.sr_ratio > 1:
              x_ = x.permute(0, 2, 1).reshape(B, C, H, W)
              x_ = self.sr(x_).reshape(B, C, -1).permute(0, 2, 1)
              x_ = self.norm(x_)
              kv = self.kv(x_).reshape(B, -1, 2, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
          else:
              kv = self.kv(x).reshape(B, -1, 2, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
          k, v = kv[0], kv[1]

          attn = (q @ k.transpose(-2, -1)) * self.scale
          attn = attn.softmax(dim=-1)
          attn = self.attn_drop(attn)

          x = (attn @ v).transpose(1, 2).reshape(B, N, C)
          x = self.proj(x)
          x = self.proj_drop(x)

          return x
```
Mix-FFN
ViT使用了position embedding来引入定位信息。但是，position embedding的大小是固定的，因此，当测试的时候输入分辨率与训练的时候的分辨率不一致的话，positional code就需要被插值，导致精度的下降。所以CPV在positional embedding上使用了3X3卷积，来实现数据驱动的一个positional encoding。本文提出的是:positional encoding对于语义分割是没有必要的。 作者引入的是Mix-FFN模块，通过在Feed-forward network(FFN)上直接使用3X3卷积，减弱了zero-padding会丢失一些定位信息的影响。
$x_{out} = \text{MLP}(\text{GELU}(\text{Conv}_{3\times 3}(\text{MLP}(x_{in}))))+x_{in}$

其中， $x_{in}$ 是self-attention模块中的输出特征。作者实验表明，3X3卷积足够提供位置信息给Transformer。特别地，作者使用了depth-wise convolutions来减少参数量来提升效率。
代码节选:
```
class Mlp(nn.Module):
    def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0.):
        super().__init__()
        out_features = out_features or in_features
        hidden_features = hidden_features or in_features
        self.fc1 = nn.Linear(in_features, hidden_features)
        self.dwconv = DWConv(hidden_features)
        self.act = act_layer()
        self.fc2 = nn.Linear(hidden_features, out_features)
        self.drop = nn.Dropout(drop)

    def forward(self, x, H, W):
        x = self.fc1(x)
        x = self.dwconv(x, H, W)
        x = self.act(x)
        x = self.drop(x)
        x = self.fc2(x)
        x = self.drop(x)
        return x
```

2. Lightweight ALL-MLP Decoder

Decoder是由MLP组成的。能够使用如此简单的decoder是因为hierarchical Transformer encoder比传统的CNN encoders有较大的有效感知域。
在这里插入图片描述

可以看到，Decoder分为四个步骤:

multi-level features $F_i$ 会输入到MLP层，使得通道的维度一样。

$\hat{F}_i = \text{Linear}(C_i, C)(F_i), \forall i$
features map会进行上采样到原图的 $\frac{1}{4}$ ，并且拼接在一起。
$\hat{F}_i = \text{Upsample}(\frac{W}{4} \times \frac{W}{4})(\hat{F}_i), \forall i$
再次使用MLP层把拼接的特征融合。
$\text{Linear}(4C, C)(\text{Concat}(\hat{F}_i)), \forall i$
另外一个MLP层將融合的特征进行segmentation mask的预测。输入维度为 $\frac{H}{4} \times \frac{W}{4} \times N_cls$
$\text{Linear}(C, N_{cls})(F)$

通过下面源码可知，第一步的Linear是FC层，Upsample是bilinear插值法。第三步的特征融合和第四步预测都是卷积操作。

from mmcv.cnn import ConvModule, DepthwiseSeparableConvModule


class MLP(nn.Module):
    """
    Linear Embedding
    """
    def __init__(self, input_dim=2048, embed_dim=768):
        super().__init__()
        self.proj = nn.Linear(input_dim, embed_dim)

    def forward(self, x):
        x = x.flatten(2).transpose(1, 2)
        x = self.proj(x)
        return x

class SegFormerHead(BaseDecodeHead):
    """
    SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers
    """
    def __init__(self, feature_strides, **kwargs):
        super(SegFormerHead, self).__init__(input_transform='multiple_select', **kwargs)
        assert len(feature_strides) == len(self.in_channels)
        assert min(feature_strides) == feature_strides[0]
        self.feature_strides = feature_strides

        c1_in_channels, c2_in_channels, c3_in_channels, c4_in_channels = self.in_channels

        decoder_params = kwargs['decoder_params']
        embedding_dim = decoder_params['embed_dim']

        self.linear_c4 = MLP(input_dim=c4_in_channels, embed_dim=embedding_dim)
        self.linear_c3 = MLP(input_dim=c3_in_channels, embed_dim=embedding_dim)
        self.linear_c2 = MLP(input_dim=c2_in_channels, embed_dim=embedding_dim)
        self.linear_c1 = MLP(input_dim=c1_in_channels, embed_dim=embedding_dim)

        self.linear_fuse = ConvModule(
            in_channels=embedding_dim*4,
            out_channels=embedding_dim,
            kernel_size=1,
            norm_cfg=dict(type='SyncBN', requires_grad=True)
        )

        self.linear_pred = nn.Conv2d(embedding_dim, self.num_classes, kernel_size=1)

    def forward(self, inputs):
        x = self._transform_inputs(inputs)  # len=4, 1/4,1/8,1/16,1/32
        c1, c2, c3, c4 = x

        ############## MLP decoder on C1-C4 ###########
        n, _, h, w = c4.shape

        _c4 = self.linear_c4(c4).permute(0,2,1).reshape(n, -1, c4.shape[2], c4.shape[3])
        #  F.interpolate(input, size, scale_factor, mode, align_corners)
        _c4 = resize(_c4, size=c1.size()[2:],mode='bilinear',align_corners=False)

        _c3 = self.linear_c3(c3).permute(0,2,1).reshape(n, -1, c3.shape[2], c3.shape[3])
        _c3 = resize(_c3, size=c1.size()[2:],mode='bilinear',align_corners=False)

        _c2 = self.linear_c2(c2).permute(0,2,1).reshape(n, -1, c2.shape[2], c2.shape[3])
        _c2 = resize(_c2, size=c1.size()[2:],mode='bilinear',align_corners=False)

        _c1 = self.linear_c1(c1).permute(0,2,1).reshape(n, -1, c1.shape[2], c1.shape[3])

        _c = self.linear_fuse(torch.cat([_c4, _c3, _c2, _c1], dim=1))

        x = self.dropout(_c)
        x = self.linear_pred(x)

        return x

3. 整体结构

不同大小的网络结构如下图所示。

所对应的参数分别为:

四、 Conclusion

提出了一个结合了positional-encoding-free，hierarchical Transformer encoder和lightweight ALL-MLP decoder语义分割网络。改进了ViT和应用了PVT。

Reference

Tianchao龙虾

关注

21
点赞
踩
44

收藏

觉得还不错? 一键收藏
3
评论
Segformer 论文笔记

SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers SegFormer 论文链接: https://arxiv.org/abs/2105.15203代码链接: https://github.com/NVlabs/SegFormerDemo链接: https://www.bilibili.com/video/BV1MV41147Ko/一、 Problem StatementSETR
复制链接

扫一扫