CNN与Transformer的强强联合！谷歌最新开源BoTNet，ImageNet达84.7%准确率
极市导读
Conv+Transformer=BotNet，这是伯克利、谷歌最新提出的工作BotNet，它充分利用了CNN与自注意力的优势，在ImageNet上取得了84.7%的top1精度，同时文中各种实验分析也相当的详细。
本文是伯克利与谷歌的研究在Convolution+Transformer组合方面一个探索，它采用混合方式同时利用了CNN的特征提取能力、transformer的内容自注意力与位置自注意力机制，取得了优于纯CNN(如ResNet、EfficientNet)或者自注意力(如ViT、DeiT)的性能。所提方案在ImageNet上取得了84.7%的top1精度；在COCO数据集上，基于MaskR-CNN取得了44.4%的MaskAP与49.7%的BoxAP指标。本文值得对Transformer感兴趣的同学深入研究一番，文中各种实验分析相当的详细。
Abstract
本文提出了一种概念简单但强有力的骨干网络BoTNet，它集成了自注意力机制并用于多个计算机视觉任务(包含图像分类、目标检测、实例分割)。通过简单的采用全局自注意力模块替换ResNet的最后三个Bottleneck模块中的卷积，而无需其他改动即可得到BoTNet，相比baseline，所提方法可以在目标检测与实例分割任务上取得显著的性能提升，同时还可以降低参数量，代价为少量的推理延迟。
通过BoTNet的设计，本文同时指出：带自注意力模块的Bottleneck模块可以视作Transformer模块。无需任何技巧，基于Mask R-CNNN框架，BoTNet在COCO实例分割任务上取得了44.4%的Mask AP与49.7%的Box AP指标，超越了之前由ResNeSt的最佳指标。最后，本文还针对图像分类任务进行了BoTNet的自适应设计，在ImageNet数据集上取得了84.7%的top1精度，同时比EfficientNe快2.33倍(硬件平台为TPU-v3)。
Method
本文的的思路非常简单：采用多头注意力(Multi-Head Self Attention, MHSA)模块替换Bottleneck中的卷积。而MHSA的结构示意图见下图。
一般来说，ResNet包含4个阶段，即[c2, c3, c4, c5]，它们分别对应stride=[4,8,16,32]尺寸的特征。[c2,c3,c4,c5]分别由多个Bottleneck模块构成，比如ResNet50中的数量分别为[3,4,6,3]。ResNet50与BoTNet50的结构信息对比见下表。
本文与现有自注意力机制方法的一个区别在于：以Vit、SAN等为代表的自注意力机制参与到ResNet的各个阶段的Bottleneck中取了；而BoTNet则只是参与到c5阶段的Bottleneck。为什么会这种设计呢？原因分析如下：
本文的目的是采用注意力提升实例分割模型的性能，而实例分割模块的输入通常比较大(比如)。考虑到自注意力机制的计算量与内存占用问题，本文采用了上述最简单的配置方式：即旨在最小分辨率特征c5阶段添加自注意力模块。而c5部分只包含3个Bottleneck，每个Bottleneck包含一个卷积，采用MHSA替换该卷积即可得到本文所涉及的BoTNet。而c5的第一个Bottleneck中的卷积stride=2，而MHSA模块并不支持stride操作，故而本文词用均值池化进行下采样。而Stride=2版本的BoT模块则如下图所示。
为更好的使得注意力机制存在位置相关性，基于Transformer的架构引入了Position Encoding。而之前赵恒爽、贾佳亚等人提出的SAN方案已经证实了位置编码在视觉任务中的有效性，故而本文所设计的BoT模块中同样引入了与位置相关的自注意力机制。
最后，我们附上不同配置的网络架构示意图，见下图。
Experiments
为更好的说明所提方案的有效性，我们在实例分割、目标检测等任务上对其进行了论证。
我们先来看一下COCO实例分割上的效果，结果见上表。从上表可以看到：在12epoch训练周期下，相比ResNet50，BoTNet50取得了有效的性能提升；而更长周期的训练可以得到更为显著的性能改善。
与此同时，为说明位置编码的重要性，本文对其进行了消融实验分析，结果见上表。可以看到：内容注意力机制可以取得0.6AP性能提升，而位置注意力机制可以取得1.0AP性能提升；而两者的组合则可以取得1.5AP性能提升。这说明内容与位置注意力具有互补性。
此外，本文还针对“为什么要替换c5中所有Bottleneck的卷积？”的问题进行消融实验分析，结果见上表。很明显，全部替换带来的性能提升更大，且推理延迟代价很小。通过对比BoT50与BoT101还得出：自注意力机制的替换比堆叠卷积更有效。
在上述基础上，作者还引入了多尺度jitter配置，可以看到BoT50还可以进一步的加剧性能提升。
另外，作者还将所提方法与非局部注意力机制进行了对比，结果见上表。可以看到：BoT模块带来的性能提升要比NL模块的提升更大；此外还可以看到：同时替换c4与c5还可以取得进一步的性能提升。
最后，我们再来看一下在图像分类任务上所提方法与其他方案(包含SENet、EfficientNet、ViT、DeiT)的性能对比，结果见上表与下表。可以看到：BoTNet取得了比DeiT-384更好的结果，这说明：混合模型可以同时利用卷积与自注意力的特性，取得优于纯注意力模型的效果。
全文到此结束，更多消融实验分析建议查看原文，强烈建议感兴趣的同学去研读一下原文。
Code
另外吐槽一点：本文尚未提供预训练模型，不过提供了Tensorflow和Pytorch实现（Pytorch为第三方）。这里提供一下核心的code，实现如下。
def MHSA(featuremap, pos_enc_type='relative', use_pos=True): q = group_pointwise( featuremap, proj_factor=1, name='q_proj', heads=heads, target_dimension=bottleneck_dimension) k = group_pointwise( featuremap, proj_factor=1, name='k_proj', heads=heads, target_dimension=bottleneck_dimension) v = group_pointwise( featuremap, proj_factor=1, name='v_proj', heads=heads, target_dimension=bottleneck_dimension) assert pos_enc_type in ['relative', 'absolute'] o = relpos_self_attention( q=q, k=k, v=v, relative=use_pos, fold_heads=True) return o
def group_pointwise( featuremap, proj_factor=1, name='grouppoint', heads=4, target_dimension=None): """1x1 conv with heads.""" with tf.variable_scope(name, reuse=tf.AUTO_REUSE): in_channels = featuremap.shape[-1] if target_dimension is not None: proj_channels = target_dimension // proj_factor else: proj_channels = in_channels // proj_factor w = tf.get_variable( 'w', [in_channels, heads, proj_channels // heads], dtype=featuremap.dtype, initializer=tf.random_normal_initializer(stddev=0.01)) out = tf.einsum('bHWD,Dhd->bhHWd', featuremap, w) return out
def relative_logits(q): """Compute relative position enc logits.""" with tf.variable_scope('relative', reuse=tf.AUTO_REUSE): bs, heads, h, w, dim = q.shape int_dim = dim.value # Note: below, we passed stddev arg as mean for the initializer. # Providing code as is, with this small error. # right way: normal_initializer(stddev=int_dim**-0.5)
# Relative logits in width dimension. rel_emb_w = tf.get_variable( 'r_width', shape=(2*w - 1, dim), dtype=q.dtype, initializer=tf.random_normal_initializer(int_dim**-0.5)) rel_logits_w = relative_logits_1d( q=q, rel_k=rel_emb_w, transpose_mask=[0, 1, 2, 4, 3, 5])
# Relative logits in height dimension. rel_emb_h = tf.get_variable( 'r_height', shape=(2*h - 1, dim), dtype=q.dtype, initializer=tf.random_normal_initializer(int_dim**-0.5)) rel_logits_h = relative_logits_1d( q=tf.transpose(q, [0, 1, 3, 2, 4]), rel_k=rel_emb_h, transpose_mask=[0, 1, 4, 2, 5, 3]) return rel_logits_h + rel_logits_w
def relpos_self_attention( *, q, k, v, relative=True, fold_heads=False): """2D self-attention with rel-pos. Add option to fold heads.""" bs, heads, h, w, dim = q.shape int_dim = dim.value q = q * (dim ** -0.5) # scaled dot-product logits = tf.einsum('bhHWd,bhPQd->bhHWPQ', q, k) if relative: logits += relative_logits(q) weights = tf.reshape(logits, [-1, heads, h, w, h * w]) weights = tf.nn.softmax(weights) weights = tf.reshape(weights, [-1, heads, h, w, h, w]) attn_out = tf.einsum('bhHWPQ,bhPQd->bHWhd', weights, v) if fold_heads: attn_out = tf.reshape(attn_out, [-1, h, w, heads * dim]) return attn_out