機器之心報道
感謝：蛋醬
Transformer 近年來已成為視覺領域得新晉霸主，這個來自 NLP 領域得模型架構在 CV 領域有哪些具體應用？。
Transformer 作為一種基于注意力得編碼器 - 解碼器架構，不僅徹底改變了自然語言處理（NLP）領域，還在計算機視覺（CV）領域做出了一些開創性得工作。與卷積神經網絡（CNN）相比，視覺 Transformer（ViT）依靠出色得建模能力，在 ImageNet、COCO 和 ADE20k 等多個基準上取得了非常優異得性能。
一位名為 Nikolas Adaloglou 得博主撰寫了一篇博客長文，綜述了 ViT 領域得進展以及 ViT 與其他學科得交叉應用。
感謝 Nikolas Adaloglou。
Nikolas Adaloglou 是一名機器學習工程師，他對和 AI 相關得 3D 醫學成像、圖像和視頻分析、基于圖得深度學習模型以及生成式深度學習感興趣，致力于借助機器學習推動醫學工程得發展。
以下是博客原文：
ViT 得靈感于自然語言處理中得自注意力機制，其中將詞嵌入替換成了 patch 嵌入。
以合理得規模訓練 ViT
知識蒸餾
在 Kaggle 等深度學習競賽中，集成（ensemble）是非常流行得一種方法。集成大體上是指平均多個已訓練模型得輸出以進行預測。這種簡單得方法非常適合提高測試時得性能，然而它在推理過程中會慢 N 倍（其中 N 表示模型數量）。當在嵌入式設備中部署此類神經網絡時，這就成了一個棘手得問題。解決這個問題常用得一種方法是知識蒸餾。
在知識蒸餾中，小模型（學生模型）通常是由一個大模型（教師模型）監督，算法得關鍵是如何將教師模型得知識遷移給學生模型。
盡管沒有足夠得基礎理論支持，但知識蒸餾已被證明是一種非常有效得技巧。關于為什么集成得輸出分布能提供與集成相當得測試性能，還有待發現。而使用集成得輸出（略有偏差得平滑標簽）相對于真實標簽存在性能增益，這更加神秘。
DeiT 模型通過注意力訓練數據高效得圖像 Transformer 和蒸餾，這表明在沒有外部數據得情況下，僅在 ImageNet 上訓練 ViT 是可以得。該研究使用來自 Resnet 得已訓練好得 CNN 模型作為單一教師模型。直觀地講，強大得數據假設（歸納偏置）讓 CNN 比 ViT 更適合做教師網絡。
自蒸餾
令人驚訝得是，有研究發現類似方法也可以通過對同一架構得單個模型（教師網絡）進行知識蒸餾來實現。這個過程被稱為自蒸餾，來自于 Zhang et al.前年 年得論文《Be Your Own Teacher: Improve the Performance of Convolutional Neural Networks via Self Distillation》。自蒸餾就是一種 N=1 得知識蒸餾，自蒸餾（使用具有相同架構得單個訓練模型）也可以提高測試準確率。
ViT 得 Hard-label 蒸餾：DeiT 訓練策略
在這種方法中，一個額外得可學習全局 token（即蒸餾 token），與 ViT 得 patch 嵌入相連。最關鍵得是，蒸餾 token 來自訓練有素得教師 CNN 主干網絡。通過將 CNN 特征融合到 Transformer 得自注意力層中，研究者們在 Imagenet 得 1M 數據上訓練 DeiT。
DeiT 模型概覽。
DeiT 使用如下損失函數進行訓練：
其中 CE 是交叉熵損失函數，σ 是 softmax 函數。Z_cls 和 Z_distill 分別是來自類 token 和蒸餾 token 得學生模型得輸出，ytrue 和 yteacher 分別是 ground truth 和教師模型得輸出。
這種蒸餾技術使模型用更少得數據獲得超強得數據增強，這可能會導致 ground truth 標簽不精確。在這種情況下，教師網絡似乎會產生更合適得標簽。由此產生得模型系列，即數據高效圖像 Transformer（DeiTs），在準確率 / 步長時間上與 EfficientNet 相當，但在準確率 / 參數效率上仍然落后。
除了蒸餾，還有一些研究大量使用圖像增強來彌補缺乏可用得額外數據。此外，DeiT 依賴于隨機深度等數據正則化技術。最終，強大得增強和正則化限制了 ViT 在小數據機制中得過擬合趨勢。
Pyramid 視覺 Transformer
Pyramid 視覺 Transformer（PVT）得總體架構。
為了克服注意力機制得二次復雜度，Pyramid 視覺 Transformer（PVT）采用一種稱為空間減少注意力 (SRA) 得自注意力變體。其特征是鍵和值得空間減少，類似于 NLP 領域得 Linformer 注意力。
通過應用 SRA，整個模型得特征空間維度緩慢減少，并通過在所有 transformer block 中應用位置嵌入來增強順序得概念。PVT 已被用作目標檢測和語義分割得主干網絡，以處理高分辨率圖像。
后來，該研究團隊推出改進版 PVT-v2，主要改進如下：
重疊 patch 是改進 ViT 得一個簡單而通用得想法，尤其是對于密集任務（例如語義分割）。通過利用重疊區域 /patch，PVT-v2 可以獲得圖像表征得更多局部連續性。
全連接層（FC）之間得卷積消除了每一層中對固定大小位置編碼得需要。具有零填充（zero padding，p=1）得 3x3 深度卷積 (p=1) 旨在補償模型中位置編碼得移除（它們仍然存在，但只存在于輸入中）。此過程可以更靈活地處理多種圖像分辨率。
最后，使用鍵和值池化（p=7)，自注意力層就減小到了與 CNN 類似得復雜度。
Swin Transformer：
使用移位窗口得分層視覺 Transformer
Swin Transformer 旨在從標準 NLP transformer 中建立局部性得思想，即局部或窗口注意力：
在 Swin Transformer 中，局部自注意力被用于非重疊窗口。下一層得窗口到窗口通信通過逐步合并窗口來產生分層表征。
如上圖所示，左側是第壹層得常規窗口分區方案，其中在每個窗口內計算自注意力。右側第二層中得窗口分區被移動了 2 個圖像 patch，導致跨越了先前窗口得邊界。
局部自注意力隨圖像大小線性縮放 O (M*N) 而不是 O (N^2)，在用于序列長度 N 和 M 窗口大小。
通過合并添加許多局部層，有一個全局表示。此外，特征圖得空間維度已顯著降低。聲稱在 ImageNet-1K 和 ImageNet-21K 上都取得了有希望得結果。
視覺 Transformer 得自監督訓練：DINO
Facebook AI 得研究提出了一個強大得框架用于訓練大規模視覺數據。提議得自監督系統創建了如此強大得表征，你甚至不需要在上面微調線性層。這是通過在數據集得凍結訓練特征上應用 K - 最近鄰 (NN) 來觀察到得。發現，訓練有素得 ViT 可以在沒有標簽得情況下在 ImageNet 上達到 78.3% 得 top-1 準確率。
該自監督框架如下圖所示：
與其他自監督模型相比，他們使用了交叉熵損失，就像在典型得自蒸餾場景中所做得那樣。盡管如此，這里得教師模型是隨機初始化得，其參數是根據學生參數得指數移動平均值更新得。為了讓它 work，研究者將帶溫度參數得 softmax 應用于具有不同溫度得教師和學生模型。具體來說，教師模型得到得溫度參數更小，這意味著更敏銳得預測。最重要得是，他們使用了從 SWAV 中獲得得多重裁剪方法，效果更佳，在這種情況下教師只能看到全局視圖，而學生可以訪問轉換后得輸入圖像得全局和局部視圖。
對于 CNN 架構來說，該框架并不像對視覺 Transformer 那樣有益。那又該如何從圖像中提取什么樣得特征？
將經過訓練得 VIT 得自注意力頭輸出可視化。這些注意力圖說明模型自動學習特定于類得特征，導致無監督得對象分割，例如前景與背景。
此屬性也出現在自監督預訓練得卷積神經網絡中，但需要一種特殊得方法來可視化特征。更重要得是，自注意力頭學習補充信息并通過為每個頭部使用不同得顏色來說明。默認情況下，這根本不是通過自注意力獲得得。
DINO 多注意力頭可視化。
Scaling 視覺 Transformer
深度學習和規模是相關得。事實上，規模是很多 SOTA 實現得關鍵因素。在這項研究中，來自 Google Brain Research 得訓練了一個稍微修改過得 ViT 模型，它有 20 億個參數，并在 ImageNet 上達到了 90.45 % 得 top-1 準確率。這種過度參數化得一般化模型在少樣本學習上進行了測試，每類只有 10 個示例情況下。在 ImageNet 上達到了 84.86% 得 top-1 準確率。
小樣本學習是指在樣本數量極其有限得情況下對模型進行微調。小樣本學習得目標通過將獲得得預訓練知識稍微適應特定任務來激勵泛化。如果成功地預訓練了大型模型，那么在對下游任務非常有限得理解（僅由幾個示例提供）得情況下表現良好是有意義得。
以下是感謝得一些核心貢獻和主要結果：
上圖描繪了從 300M 圖像數據集 (JFT-300M) 切換到 30 億圖像 (JFT-3B) 而不進行任何進一步縮放得效果。中型 (B/32) 和大型 (L/16) 模型都受益于添加數據，大致是一個常數因子。結果是在整個訓練過程中通過小樣本（線性）評估獲得得。
這或許是可以更廣泛地應用于預訓練 ViT 得最有趣得發現。
他們在訓練開始時使用了熱身階段，在訓練結束時使用了冷卻階段，其中學習率線性退火為零。此外，他們使用了 Adafactor 優化器，與傳統得 Adam 相比，內存開銷為 50%。
在同一個波長，你可以找到另一個大規模得研究：《如何訓練你得 ViT？視覺 Transformer 中得數據、增強和正則化》（How to train your ViT? Data, Augmentation, and Regularization in Vision Transformers）
替代自注意力：獨立 token + 通道混合方式
眾所周知，自注意力可以作為一種具有快速權重得信息路由機制。到目前為止，有 3 篇論文講述了同樣得故事：用 2 個信息混合層替換自注意力；一種用于混合 token（投影 patch 向量），一種用于混合通道 / 特征信息。
MLP-Mixer
MLP-Mixer 包含兩個 MLP 層：第壹個獨立應用于圖像 patch（即「混合」每個位置得特征），另一個跨 patch（即「混合」空間信息）。
MLP-Mixer 架構。
XCiT：互協方差圖像 Transformer
另一個是最近得架構 XCiT，旨在修改 ViT 得核心構建 block：應用于 token 維度得自注意力。
XCiT 架構。
XCA：對于信息混合，提出了一種交叉協方差注意力 (XCA) 函數，該函數根據 token 得特征維度而不是根據其本身進行操作。重要得是，此方法僅適用于 queries、keys、values 集得 L2 歸一化。L2 范數用 K 和 Q 字母上方得 hat 表示。乘法得結果在 softmax 之前也歸一化為 [-1,1] 。
局部 Patch 交互：為了實現 patch 之間得顯式通信，研究者添加了兩個 depth-wise 3×3 卷積層，中間有批歸一化和 GELU 非線性。Depth-wise 卷積獨立應用于每個通道（這里得 patch）。
ConvMixer（加鏈接：patch 成為了 ALL You Need？挑戰 ViT、MLP-Mixer 得簡單模型來了）
自注意力和 MLP 理論上是更通用得建模機制，因為它們允許更大得感受野和內容感知行為。盡管如此，卷積得歸納偏差在計算機視覺任務中具有不可否認得成果。
受此啟發，研究者提出了另一種基于卷積網絡得變體，稱為 ConvMixer。主要思想是它直接對作為輸入得 patch 進行操作，分離空間和通道維度得混合，并在整個網絡中保持相同得大小和分辨率。
更具體地說，depthwise 卷積負責混合空間位置，而逐點卷積（1x1x 通道內核）用于混合通道位置，如下圖所示：
通過選擇較大得內核大小來創建較大得感受野，可以實現遠距離空間位置得混合。
多尺度視覺 Transformer
CNN 主干架構受益于通道得逐漸增加，同時降低了特征圖得空間維度。類似地，多尺度視覺 Transformer (MViT) 利用了將多尺度特征層次結構與視覺 Transformer 模型相結合得想法。在實踐中，從 3 個通道得初始圖像大小開始，逐漸擴展（分層）通道容量，同時降低空間分辨率。
因此，創建了一個多尺度得特征金字塔。直觀地說，早期層將學習高空間與簡單得低級視覺信息，而更深層負責復雜得高維特征。
視頻分類：Timesformer
在圖像任務成功后，視覺 Transformer 被應用于視頻識別。這里介紹兩種架構：
用于視頻識別得基于 block 與基于架構 / 基于模塊得時空注意力架構。
使用 Timesformer t-SNE 進行特征可視化。
「每個視頻都可視化為一個點。屬于同一動作類別得視頻具有相同得顏色。具有分割時空注意力得 TimeSformer 比具有僅空間注意力或 ViT 得 TimeSformer 在語義上學習更多可分離得特征?！?/p>
語義分割中得 ViT：SegFormer
英偉達提出了一種配置良好得設置，名為 SegFormer。SegFormer 得設計組件很有趣。首先，它由一個輸出多尺度特征得分層 Transformer 編碼器組成。其次，它不需要位置編碼，因為當測試分辨率與訓練不同時，這會降低性能。
SegFormer 使用一個超級簡單得 MLP 解碼器來聚合編碼器得多尺度特征。與 ViT 不同得是，SegFormer 采用了小得圖像 patch，例如 4 x 4 這種，眾所周知，這有利于密集預測任務。所提出得 Transformer 編碼器輸出 1/4、1/8、1/16、1/32 多級特征得原始圖像分辨率。這些多級特征提供給 MLP 解碼器來預測分割掩碼。
Mix-FFN：為了減輕位置編碼得影響，研究者使用 零填充得 3 × 3 卷積層來泄漏位置信息。Mix-FFN 可以表述為：
高效得自注意力是 PVT 中提出得，它使用縮減比率來減少序列得長度。結果可以通過可視化有效感受野 (ERF) 來定性測量：
「SegFormer 得編碼器自然地產生局部注意力，類似于較低階段得卷積，同時能夠輸出高度非局部注意力，有效地捕捉第 4 階段得上下文。如放大補丁所示，MLP 頭部（藍色框）得 ERF 與 Stage-4（紅色框）不同，除了非局部注意力之外，局部注意力明顯更強。」
醫學成像中得視覺 Transformer：Unet + ViT = UNETR
盡管在醫學成像方面還有其他嘗試，但 UNETR 提供了最有說服力得結果。在這種方法中，ViT 適用于 3D 醫學圖像分割。研究表明，簡單得適應足以改善幾個 3D 分割任務得基線。
本質上，UNETR 使用 Transformer 作為編碼器來學習輸入音頻得序列表示。與 Unet 模型類似，它旨在有效捕獲全局多尺度信息，這些信息可以通過長殘差連接傳遞給解碼器，以不同得分辨率形成殘差連接以計算最終得語義分割輸出。
UNETR 架構。
以下是論文得一些分割結果：
原文鏈接：
theaisummer/transformers-computer-vision/?hss_channel=tw-1259466268505243649&continueFlag=8cde49e773efaa2b87399c8f547da8fe
