當(dāng)可變形注意力機(jī)制引入Vision Transformer

引言

Transformer由于其更大的感受野能夠讓其擁有更強(qiáng)的模型表征能力，性能上超越了很多CNN的模型。

然而單純增大感受野也會帶來其他問題，比如說ViT中大量使用密集的注意力，會導(dǎo)致需要額外的內(nèi)存和計(jì)算代價(jià)，特征很容易被無關(guān)的部分所影響。

而PVT或者Swin Transformer中使用的sparse attention是數(shù)據(jù)不可知的，會影響模型對長距離依賴的建模能力。

由此引入主角：Deformabel Attention Transformer的兩個(gè)特點(diǎn)：

• data-dependent: key和value對的位置上是依賴于數(shù)據(jù)的。
• 結(jié)合Deformable 方式能夠有效降低計(jì)算代價(jià)，提升計(jì)算效率。

下圖展示了motivation:

圖中比較了幾種方法的感受野，其中紅色星星和藍(lán)色星星表示的是不同的query。而實(shí)線包裹起來的目標(biāo)則是對應(yīng)的query參與處理的區(qū)域。

(a) ViT對所有的query都一樣，由于使用的是全局的注意力，所以感受野覆蓋全圖。

(b) Swin Transformer中則使用了基于window劃分的注意力。不同query處理的位置是在一個(gè)window內(nèi)部完成的。

(c) DCN使用的是3x3卷積核基礎(chǔ)上增加一個(gè)偏移量，9個(gè)位置都學(xué)習(xí)到偏差。

(d) DAT是本文提出的方法，由于結(jié)合ViT和DCN，所有query的響應(yīng)區(qū)域是相同的，但同時(shí)這些區(qū)域也學(xué)習(xí)了偏移量。

方法

先回憶一下Deformable Convolution：

簡單來講是使用了額外的一個(gè)分支回歸offset，然后將其加載到坐標(biāo)之上得到合適的目標(biāo)。

在回憶一下ViT中的Multi-head Self-attention:

有了以上鋪墊，下圖就是本文最核心的模塊Deformable Attention。

• 左邊這部分使用一組均勻分布在feature map上的參照點(diǎn)
• 然后通過offset network學(xué)習(xí)偏置的值，將offset施加于參照點(diǎn)中。
• 在得到參照點(diǎn)以后使用bilinear pooling操作將很小一部分特征圖摳出來，作為k和v的輸入

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

• 之后將得到的Q,K,V執(zhí)行普通的self-attention, 并在其基礎(chǔ)上增加relative position bias offsets。

其中offset network構(gòu)建很簡單, 代碼和圖示如下：

  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)
  )

最終網(wǎng)絡(luò)結(jié)構(gòu)為：

具體參數(shù)如下：

實(shí)驗(yàn)

實(shí)驗(yàn)配置：300epoch，batch size 1024, lr=1e-3，數(shù)據(jù)增強(qiáng)大部分follow DEIT

• 分類結(jié)果：

目標(biāo)檢測數(shù)據(jù)集結(jié)果：

語義分割：

• 消融實(shí)驗(yàn)：

• 可視化結(jié)果：COCO

這個(gè)可視化結(jié)果有點(diǎn)意思，如果是分布在背景上的點(diǎn)大部分變動不是很大，即offset不是很明顯，但是目標(biāo)附近的點(diǎn)會存在一定的集中趨勢（ps:這種趨勢沒有Deformable Conv中的可視化結(jié)果明顯)

代碼

• 生成Q

  B, C, H, W = x.size()
  dtype, device = x.dtype, x.device
  
  q = self.proj_q(x)

• offset network前向傳播得到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

• 在參照點(diǎn)基礎(chǔ)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的方式將對應(yīng)feature map摳出來，等待作為k,v的輸入。

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部分引入相對位置的偏置：

  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

參考

https://github.com/LeapLabTHU/DAT

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

如果覺得有用，就請分享到朋友圈吧！