当可变形注意力机制引入Vision Transformer

Posted pprp

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了当可变形注意力机制引入Vision Transformer相关的知识,希望对你有一定的参考价值。

【GiantPandaCV导语】通过在Transformer基础上引入Deformable CNN中的可变性能力,在降低模型参数量的同时提升获取大感受野的能力,文内附代码解读。

引言

Transformer由于其更大的感受野能够让其拥有更强的模型表征能力,性能上超越了很多CNN的模型。

然而单纯增大感受野也会带来其他问题,比如说ViT中大量使用密集的注意力,会导致需要额外的内存和计算代价,特征很容易被无关的部分所影响。

而PVT或者Swin Transformer中使用的sparse attention是数据不可知的,会影响模型对长距离依赖的建模能力。

由此引入主角:Deformabel Attention Transformer的两个特点:

  • data-dependent: key和value对的位置上是依赖于数据的。
  • 结合Deformable 方式能够有效降低计算代价,提升计算效率。

下图展示了motivation:

图中比较了几种方法的感受野,其中红色星星和蓝色星星表示的是不同的query。而实线包裹起来的目标则是对应的query参与处理的区域。

(a) ViT对所有的query都一样,由于使用的是全局的注意力,所以感受野覆盖全图。

(b) Swin Transformer中则使用了基于window划分的注意力。不同query处理的位置是在一个window内部完成的。

(c) DCN使用的是3x3卷积核基础上增加一个偏移量,9个位置都学习到偏差。

(d) DAT是本文提出的方法,由于结合ViT和DCN,所有query的响应区域是相同的,但同时这些区域也学习了偏移量。

方法

先回忆一下Deformable Convolution:

简单来讲是使用了额外的一个分支回归offset,然后将其加载到坐标之上得到合适的目标。

在回忆一下ViT中的Multi-head Self-attention:

\\[\\beginaligned q&=x W_q, k=x W_k, v=x W_v, \\\\ z^(m)&=\\sigma\\left(q^(m) k^(m) \\top / \\sqrtd\\right) v^(m), m=1, \\ldots, M, \\\\ z&=\\text Concat \\left(z^(1), \\ldots, z^(M)\\right) W_o, \\\\ z_l^\\prime &=\\operatornameMHSA\\left(\\operatornameLN\\left(z_l-1\\right)\\right)+z_l-1, \\\\ z_l &=\\operatornameMLP\\left(\\operatornameLN\\left(z_l^\\prime\\right)\\right)+z_l^\\prime, \\endaligned \\]

有了以上铺垫,下图就是本文最核心的模块Deformable Attention。

  • 左边这部分使用一组均匀分布在feature map上的参照点
  • 然后通过offset network学习偏置的值,将offset施加于参照点中。
  • 在得到参照点以后使用bilinear pooling操作将很小一部分特征图抠出来,作为k和v的输入
x_sampled = F.grid_sample(
input=x.reshape(B * self.n_groups, self.n_group_channels, H, W), 
grid=pos[..., (1, 0)], # y, x -> x, y
mode=\'bilinear\', align_corners=True) # B * g, Cg, Hg, Wg
  • 之后将得到的Q,K,V执行普通的self-attention, 并在其基础上增加relative position bias offsets。

其中offset network构建很简单, 代码和图示如下:

  self.conv_offset = nn.Sequential(
      nn.Conv2d(self.n_group_channels, self.n_group_channels, kk, stride, kk//2, groups=self.n_group_channels),
      LayerNormProxy(self.n_group_channels),
      nn.GELU(),
      nn.Conv2d(self.n_group_channels, 2, 1, 1, 0, bias=False)
  )

最终网络结构为:

具体参数如下:

实验

实验配置:300epoch,batch size 1024, lr=1e-3,数据增强大部分follow DEIT

  • 分类结果:

目标检测数据集结果:

语义分割:

  • 消融实验:

  • 可视化结果:COCO

这个可视化结果有点意思,如果是分布在背景上的点大部分变动不是很大,即offset不是很明显,但是目标附近的点会存在一定的集中趋势(ps:这种趋势没有Deformable Conv中的可视化结果明显)

代码

  • 生成Q
  B, C, H, W = x.size()
  dtype, device = x.dtype, x.device
  
  q = self.proj_q(x)
  • offset network前向传播得到offset
  q_off = einops.rearrange(q, \'b (g c) h w -> (b g) c h w\', g=self.n_groups, c=self.n_group_channels)
  offset = self.conv_offset(q_off) # B * g 2 Hg Wg
  Hk, Wk = offset.size(2), offset.size(3)
  n_sample = Hk * Wk
  • 在参照点基础上使用offset
offset = einops.rearrange(offset, \'b p h w -> b h w p\')
reference = self._get_ref_points(Hk, Wk, B, dtype, device)
    
if self.no_off:
    offset = offset.fill(0.0)
    
if self.offset_range_factor >= 0:
    pos = offset + reference
else:
    pos = (offset + reference).tanh()
  • 使用bilinear pooling的方式将对应feature map抠出来,等待作为k,v的输入。
x_sampled = F.grid_sample(
    input=x.reshape(B * self.n_groups, self.n_group_channels, H, W), 
    grid=pos[..., (1, 0)], # y, x -> x, y
    mode=\'bilinear\', align_corners=True) # B * g, Cg, Hg, Wg
    
x_sampled = x_sampled.reshape(B, C, 1, n_sample)

q = q.reshape(B * self.n_heads, self.n_head_channels, H * W)
k = self.proj_k(x_sampled).reshape(B * self.n_heads, self.n_head_channels, n_sample)
v = self.proj_v(x_sampled).reshape(B * self.n_heads, self.n_head_channels, n_sample)
  • 在positional encodding部分引入相对位置的偏置:
  rpe_table = self.rpe_table
  rpe_bias = rpe_table[None, ...].expand(B, -1, -1, -1)
  
  q_grid = self._get_ref_points(H, W, B, dtype, device)
  
  displacement = (q_grid.reshape(B * self.n_groups, H * W, 2).unsqueeze(2) - pos.reshape(B * self.n_groups, n_sample, 2).unsqueeze(1)).mul(0.5)
  
  attn_bias = F.grid_sample(
      input=rpe_bias.reshape(B * self.n_groups, self.n_group_heads, 2 * H - 1, 2 * W - 1),
      grid=displacement[..., (1, 0)],
      mode=\'bilinear\', align_corners=True
  ) # B * g, h_g, HW, Ns
  
  attn_bias = attn_bias.reshape(B * self.n_heads, H * W, n_sample)
  
  attn = attn + attn_bias

参考

https://github.com/LeapLabTHU/DAT

https://arxiv.org/pdf/2201.00520.pdf

代码改变世界

以上是关于当可变形注意力机制引入Vision Transformer的主要内容,如果未能解决你的问题,请参考以下文章

视频超分算法EDVR:Video Restoration with Enhanced Deformable Convolutional Network超分辨率重建

读点论文Focal Self-attention for Local-Global Interactions in Vision Transformers局部和全局注意力进行交互实现新SOTA

NLP系列_深入理解BERT Transformer ,不仅仅是注意力机制

NLP系列_深入理解BERT Transformer ,不仅仅是注意力机制

Attention Mechanisms in Computer Vision: A Survey

Unity中实现可变形的Image