分层级联Transformer！苏黎世联邦提出TransCNN: 显著降低了计算/空间复杂度！

导读

本文是苏黎世联邦理工-Luc Van Gool组联合南开大学和电子科技大学在Transformer上的最新工作，这项工作主要提出了一个新的分层级联多头自注意力模块(MHSA)，通过分层级联的方式显著降低了计算/空间复杂度。H-MHSA 模块可轻松插入任何CNN架构中，并且可以通过反向传播进行训练。基于此，我们提出了一种新的骨干网络叫做TransCNN，它完美继承了CNN和Transformer的优点，与当前最具竞争力的基于CNN和Transformer的网络架构相比，TransCNN在计算/空间复杂度和准确率上实现了最先进的性能。

• 作者单位：苏黎世联邦理工（Luc Van Gool大佬组）、南开大学, 电子科大
• 论文：https://arxiv.org/abs/2106.03180
• 代码: https://github.com/yun-liu/TransCNN

摘要与介绍

本文主要提出了一种分层级联自注意力模块(MHSA)，通过以一种级联计算的方式解决了多头自注意(MHSA)中由于计算/空间复杂度高而导致视觉Transformer效率低下的问题，同时该模块还可以使得Transformer中的自注意力计算更加灵活和高效。具体来说，首先将图像拆分为多个patch，而每一个patch都可视为一个token(标记)来学习小网格内的特征关系。我们不再跨所有patch去计算注意力，而是将patch进一步分组到每个小网格中，并在每个网格中计算自注意力，从而捕获局部特征关系，并产生可区分的局部特征表示。然后，将小网格合并到较大网格中，同时将上一步中的小网格视为一个新的token来重新计算下一个网格中的注意力。通过反复迭代这个过程以逐渐减少token的数量。在整个过程中，我们的H-MHSA模块在不断增加的区域网络大小中逐步计算自我注意力，并自然地以分层的方式对全局特征关系进行建模。由于每个网格在每一步只有少量的标记，所以，我们可以显著降低视觉Transformer的计算/空间复杂度。最后，H-MHSA 模块可轻松插入任何CNN架构中，并且可以通过反向传播进行训练。因此，我们提出了一种新的骨干网络叫做TransCNN，它本质上继承了Transformer和CNN的优点。所以，它具有学习尺度变换以及位移不变特征表示的能力，还可以对输入数据建立长期依赖关系。根据ImageNet和MS-COCO数据集的实验结果表明：与当前最具竞争力的基于CNN和Transformer的网络架构相比，TransCNN在计算复杂度和准确率上实现了最先进的性能。

模型架构

最近关于很多vision Transformer的工作通常旨在建立纯Transformer网络，同时为视觉和自然语言处理任务提供统一的体系结构。然而，这对于视觉任务可能不是最优的选择，因为这些架构不擅长学习那些对视觉数据至关重要的局域表示。受此启发，我们设计了H-MHSA模块，它可以很容易地插入到任何现有的CNN架构中。同时，我们的网络基本上可以继承Transformer和CNN的优点。首先，我们在骨干网络中保留3D特征输入图，并使用全局平均池化层和全连接层来预测图像类别。这点与现有的依赖另一个1D类标记进行预测的Transformer是不同的。之前的Transformer网络通常采用GELU函数进行非线性激活。然而，在网络训练中，GELU函数需要大量内存。根据经验发现，SiLU函数的性能与GELU相同，而且更利于存储。因此，这里我们使用SiLU函数进行非线性激活。TransCNN的总体架构如图1所示。在开始阶段，不同于之前的Transformer通过直接拉直图像patch，我们应用了两个顺序的vanilla 卷积，每个卷积的步长为2，然后将输入图像下采样到原来的1/4尺度大小.然后，我们将H-MHSA和卷积块进行交替叠加使用，主要分为4个阶段，分别以1/4,1/8,1/16,1/32的金字塔特征尺度进行划分。我们采用倒残差瓶颈块(IRB，图1c)和深度可分离卷积。在每个阶段的最后，我们设计了一个简单的二分支降采样块(TDB，图1d)。它包括两个分支:一个分支是步长为2的vanilla 卷积;另一个分支包括一个池化层和一个卷积。在特征降采样过程中，这两个分支通过按元素求和的方式融合，以保留更多的上下文信息。实验表明，TDB的性能优于直接降采样。TransCNN的详细配置如表1所示。我们提出了两个版本: TransCNN-small和TransCNN-base。具体网络结构配置如下表所示：

模型方法

接下来，我们首先回顾一下视觉Transformer。然后，我们将详细介绍本文提出的H-MHSA模块。

Revisit Vision Transformer

Transformer主要依赖MHSA来建模长期特征依赖关系，这里，我们用表示输入， 和分别代表Token的数量以及每个token的特征维度，然后，我们有the query :, the key: , the value: ,并且

在假设输入和输出具有相同维度的情况下，传统的MHSA可以通过下式计算：

其中表示近似归一化，将Softmax函数应用于矩阵的每一行。注意，为了简单起见，我们在这里省略了多个头的计算。矩阵乘积具体做法是首先计算每对token之间的相似度。然后，在所有token的组合基础上再派生获取得到每个新的token。在MHSA计算后，可以进一步添加残差连接以方便优化，如：

这里，和分别表示：最大池化和平均池化。进一步针对

最后，我们得到:

残差连接：这个过程将不断迭代，直到足够小。然后我们停止切分网格块。H-MHSA的最终输出为：

其中表示将注意力特征上采样到原始大小，是特征投影的权重矩阵。为最大迭代步数。通过这种方式，H-MHSA可以建立全局特征依赖关系，相当于传统的MHSA。很容易证明，在所有都相同的假设下，H-MHSA的计算复杂度为:

所以，我们显著降低了计算复杂度，即从降低到了,并且这里比小得多。同理，空间复杂度也得到了显著降低。

Experiments

本文我们主要在ImageNet数据集上对提出来的TransCNN网络结构进行图像分类任务。首先，为了更好地理解我们的TransCNN结构，我们设计了一个消融实验。然后，我们将TransCNN与现有的基于CNN和Transformer的主干网络结构进行比较。最后，我们将TransCNN应用于MS-COCO数据集上进行目标检测和实例分割任务，进一步验证了该算法的优越性。

首先，我们对所提出的TransCNN的各种设计方案进行了评估，消融实验结果如下表所示：

在ImageNet数据集上，TransCNN与最先进的CNN和Transformer网络架构的在分类任务识别效果的比较，具体结果如下所示：

在MS-COCO val2017数据集上物体检测效果如下所示：

在MS-COCO val2017数据集上实例分割效果如下所示：

本文创新点总结

1. 本文提出了一个级联的MHSA模块，即H-MHSA，显著地降低了计算/空间复杂度。H-MHSA有两个显著的优势: i)直接对输入特征图进行全局依赖关系建模，ii)能够轻松处理大量输入图像。

2. H-MHSA可以灵活的插入到CNN中，而不用像传统的ViT那样，在注意力计算之后使用MLP进行特征增强。

3. TransCNN完美的继承了Transform和CNN的优点，根据图像分类、目标检测和实例分割的实验结果表明，TransCNN在特征表示学习方面有着较大的潜力和高效性。

4. 未来，神经结构搜索技术也可以应用于TransCNN进行参数配置优化。