文献学习An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

Posted 2021-09-24 Better Bench

1 引言

所有版本的论文实现https://paperswithcode.com/paper/an-image-is-worth-16x16-words-transformers-1

提出用纯transformer去做图像识别，图像分类，在ImageNet, CIFAR-100, VTAB数据集上表现良好，最佳模型在ImageNet上达到88:55%，在ImageNet ReaL上达到90:72%，在CIFAR-100上达到94:55%，在VTAB套件19个任务上达到77:63%。

2 介绍

2.1 简介

2017年提出基于Self-attention的Transformer，由于Transformers的计算效率和可扩展性，它已经能够训练具有超过100B参数的空前规模的模型。

在计算机视觉中，CNN自从1989年以来一直占据主导地位，在2018年《Non-local neural networks》将CNN与Self-attention结合，2019年《Stand-alone self-attention in vision models.》直接用self-attention替代了卷积。但是在大规模的图片识别中，ResNet仍然是最好的。

作者思路是将图像分割成块，并提供这些块的线性嵌入序列作为Transformer的输入。在NLP应用程序中，图像块的处理方式与标记（单词）相同。以有监督的方式训练图像分类模型。

Transformer在中等规模的数据集（如ImageNet）上进行训练时，如果没有很强的正则化，这些模型的精确度会比同等规模的resnet低几个百分点。因为此时的Transformer缺乏一些归纳偏置，如翻译等效性和局部性，因此在数据量不足的情况下不能很好地概括。

然而，如果在更大的数据集（14M-300M图像）上训练模型，情况就会改变。我们发现，大规模的训练胜过归纳偏置。作者的模型（ViT）在足够规模的预训练和转移到数据点较少的任务中时，可以获得很好的效果。当在公共ImageNet-21k数据集或内部JFT-300M数据集上进行预训练时，ViT在多个图像识别基准上接近或超过了最新水平。特别是，最佳模型在ImageNet上达到88:55%，在ImageNet ReaL上达到90:72%，在CIFAR-100上达到94:55%，在VTAB套件19个任务上达到77:63%。

2.2 综述

• 2017年《Attention is all you need》提出Transformer应用到NLP
• 2019年《BERT: Pre-training of deep bidirectional transformers for language understanding》Bert，用于训练大量语料库，然后对特定的任务进行微调
• 2018年《Improving language under standing with unsupervised learning. 》使用去噪自监督预训练任务，而GPT工作线使用语言建模作为其预训练任务
• 2018年《Acceleration of stochastic approximation by averaging》只在每个查询像素的局部邻域应用self-attention，而不是全局应用。
• 2019年《Local relation networks for image recognition》局部多头点积自self-attention块完全可以代替卷积
• 2019年《Generating long sequences with sparse transformers》 Sparse Transformers 为了适用于图像，采用可伸缩的全局self-attention近似。
• 2019年《Scaling autoregressive video models》衡量注意力的另一种方法是将注意力应用到大小不同的块中
• 2020年《On the relationship between self attention and convolutional layers.》与VIta论文的工作相似，该模型提取大小为（2× 2） 从输入图像开始，并在顶部应用完全的self-attention。这个模型与ViT非常相似，但是VIt的工作进一步证明了大规模的预训练使vanilla transformers能够与最先进的CNNs竞争（甚至优于CNNs）。此外，该论文使用了2× 2像素，这使得模型只适用于小分辨率图像。而VIt可以处理中分辨率图像。
• 2019年《Attention augmented convolutional networks》结合了CNN与self-attention增强特征映射做图像分类
• 2018年《 Relation networks for object detection.》结合CNN与self-attention做目标检测
• 2018年《 Non-local neural networks》结合CNN与self-attention视频处理
• 2020年《Visual transformers: Token-based image representation and processing for computer vision》结合CNN与self-attention做图像分类
• 2020年《Object-centric learning with slot attention》结合CNN与self-attention做非监督目标发现
• 2020年《UNITER: UNiversal Image-TExt Representation Learning》结合CNN与self-attention做统一文本视觉任务
• 2020年《Generative pretraining from pixels.》与VIt论文相似的论文，图像GPT(IGPT)图像分类，在降低图像分辨率和颜色空间后，对图像像素应用Transformer。该模型以无监督的方式作为生成模型进行训练，然后可以对结果表示进行微调或线性探测以提高分类性能，在ImageNet上达到72%的最大准确率。

3 系统模型

3.1 模型简介

图1 模型概述 将图像分割成固定大小的块，线性嵌入每个块，添加位置嵌入，并将生成的向量序列提供给标准的Transformer编码器。为了执行分类，使用标准方法向序列中添加一个额外的可学习的“分类令牌”。 Transformer 将文本中一系列单词作为输入，然后将其用于分类、翻译或其他 NLP 任务。 ViT 会将图像分为方块网格，通过连接一个方块中所有像素通道，然后将其线性投影到所需的输入维度，将每个方块展平为单个矢量。Transformer 与输入元素的结构无关，因此我们在每个方块中添加了可学习的一维位置 Embedding，使模型能够了解图像结构。按理说，ViT 并不知道图像中各方块的相对位置，甚至不知道图像具有 2D 结构，它必须从训练数据中学习这类相关信息，并在位置嵌入中编码结构信息。 在预训练和微调期间，一个分类头连接到$z_L^0$。分类头在预训练时由一个隐层MLP实现，在微调时由一个线性层实现。

3.2 对高分辨率的图像进行微调模型

通常，在大型数据集上预先训练ViT，并对（较小的）下游任务进行微调。为此，我们移除预先训练好的预测头，并附加一个初始化为零D× K的预测头前馈层，其中K是下游类的数量。与训练前相比，在更高分辨率下进行微调通常是有益的。在输入高分辨率图像时，我们保持块大小不变，从而获得更大的有效序列长度。VIT可以处理任意的序列长度（直到内存限制），但是，预先训练的位置嵌入可能不再有意义。因此，作者根据预训练位置嵌入在原始图像中的位置对其进行二维插值。注意，该分辨率调整和块提取是关于图像的2D结构的归纳偏置被手动注入到VIT中的唯一点。

4 实验分析

评估了ResNet, Vision Transformer (ViT)和混合的表示学习能力。为了理解每个模型的数据需求，对不同规模的数据集进行预处理，并评估许多基准任务。考虑到预训练模型的计算成本，ViT的表现非常好，以较低的预训练成本在大多数识别基准上达到了最新水平。最后，用自我监督的方法做了一个小实验，证明了自我监督的ViT具有未来的发展前景。

5 反思和疑问

• 在此之前其实已经有两个相似的工作，一篇是《On the relationship between self attention and convolutional layers.》仅适用于小分辨率图像。第二篇，《Generative pretraining from pixels.》准确率相比VIT较低。
• VIT可以处理任意长度序列，并且对高低分辨率图像都可以处理。
• 论文中描述的模型结构和代码中的结构，似乎不一样，对应不上。还需要对代码进一步调试详细解读。