無卷積骨干網絡：金字塔Transformer，提升目標檢測/分割等任務精度（附源代碼）

作者：計算機視覺研究院 2024-11-21 10:58:05

人工智能新聞

在將金字塔結構嵌入到Transformer結構用于生成多尺度特征，并最終用于稠密預測任務。

論文地址：https://arxiv.org/pdf/2102.12122.pdf

源代碼地址：https://github.com/whai362/PVT

背景

具有自注意力的Transformer引發了自然語言處理領域的革命，最近還激發了Transformer式架構設計的出現，并在眾多計算機視覺任務中取得了具有競爭力的結果。

如下是之前我們分享的基于Transformer的目標檢測新技術！

鏈接：ResNet超強變體：京東AI新開源的計算機視覺模塊！（附源代碼）

鏈接：利用TRansformer進行端到端的目標檢測及跟蹤（附源代碼）

鏈接：YOLOS：通過目標檢測重新思考Transformer（附源代碼）

在今天分享的工作中，研究者設計了一個新穎的Transformer模塊，針對稠密預測任務的主干網絡，利用Transformer架構設計進行了一次創新性的探索，將特征金字塔結構與Transformer進行了一次融合，使其可以更好的輸出多尺度特征，進而更方便與其他下游任務相結合。

前言

盡管卷積神經網絡 (CNN) 在計算機視覺方面取得了巨大成功，但今天分享的這項工作研究了一種更簡單、無卷積的主干網絡，可用于許多密集預測任務。

目標檢測

語義分割

實例分割

與最近提出的專為圖像分類設計的Vision Transformer（ViT）不同，研究者引入了Pyramid Vision Transformer（PVT），它克服了將Transformer移植到各種密集預測任務的困難。與當前的技術狀態相比，PVT 有幾個優點：

與通常產生低分辨率輸出并導致高計算和內存成本的ViT不同，PVT不僅可以在圖像的密集分區上進行訓練以獲得對密集預測很重要的高輸出分辨率，而且還使用漸進式收縮金字塔以減少大型特征圖的計算；
PVT繼承了CNN和Transformer的優點，使其成為各種視覺任務的統一主干，無需卷積，可以直接替代CNN主干；
通過大量實驗驗證了PVT，表明它提高了許多下游任務的性能，包括對象檢測、實例和語義分割。

例如，在參數數量相當的情況下，PVT+RetinaNet在COCO數據集上實現了40.4 AP，超過ResNet50+RetinNet（36.3 AP）4.1個絕對AP（見下圖）。研究者希望PVT可以作為像素級預測的替代和有用的主干，并促進未來的研究。

基礎回顧

CNN Backbones

CNN是視覺識別中深度神經網絡的主力軍。標準CNN最初是在【Gradient-based learning applied to document recognition】中區分手寫數字。該模型包含具有特定感受野的卷積核捕捉有利的視覺環境。為了提供平移等方差，卷積核的權重在整個圖像空間中共享。最近，隨著計算資源的快速發展（例如，GPU），堆疊卷積塊成功在大規模圖像分類數據集上訓練（例如，ImageNet）已經成為可能。例如，GoogLeNet證明了包含多個內核路徑的卷積算子可以實現非常有競爭力的性能。

multi-path convolutional block的有效性在Inception系列、ResNeXt、DPN、MixNet和SKNet中得到了進一步驗證。此外，ResNet將跳過連接引入到卷積塊中，從而可以創建/訓練非常深的網絡并在計算機視覺領域獲得令人印象深刻的結果。DenseNet引入了一個密集連接的拓撲，它將每個卷積塊連接到所有先前的塊。更多最新進展可以在最近的論文中找到。

新框架

該框架旨在將金字塔結構嵌入到Transformer結構用于生成多尺度特征，并最終用于稠密預測任務。上圖給出了所提出的PVT架構示意圖，類似與CNN主干結構，PVT同樣包含四個階段用于生成不同尺度的特征，所有階段具有相類似的結構：Patch Embedding+Transformer Encoder。

在第一個階段，給定尺寸為H*W*3的輸入圖像，按照如下流程進行處理：

首先，將其劃分為HW/4^2的塊，每個塊的大小為4*4*3；
然后，將展開后的塊送入到線性投影，得到尺寸為HW/4^2 * C1的嵌入塊；
其次，將前述嵌入塊與位置嵌入信息送入到Transformer的Encoder，其輸出將為reshap為H/4 * W/4 * C1。

采用類似的方式，以前一階段的輸出作為輸入即可得到特征F2，F3和F4。基于特征金字塔F1、F2、F3、F4，所提方案可以輕易與大部分下游任務(如圖像分類、目標檢測、語義分割)進行集成。

Feature Pyramid for Transforme

不同于CNN采用stride卷積獲得多尺度特征，PVT通過塊嵌入按照progressive shrinking策略控制特征的尺度。

假設第i階段的塊尺寸為Pi，在每個階段的開始，將輸入特征均勻的拆分為Hi-1Wi-1/Pi個塊，然后每個塊展開并投影到Ci維度的嵌入信息，經過線性投影后，嵌入塊的尺寸可以視作Hi-1/Pi * Wi-1/Pi * Ci。通過這種方式就可以靈活的調整每個階段的特征尺寸，使其可以針對Transformer構建特征金字塔。

Transformer Encoder

對于Transformer encoder的第i階段，它具有Li個encoder層，每個encoder層由注意力層與MLP構成。由于所提方法需要處理高分辨率特征，所以提出了一種SRA(spatial-reduction attention)用于替換傳統的MHA(multi-head-attention)。

類似于MHA，SRA同樣從輸入端接收到了Q、K、V作為輸入，并輸出精煉后特征。SRA與MHA的區別在于：SRA會降低K和V的空間尺度，見下圖。