深度學(xué)習(xí)模塊32-Cloattention模塊

31、Cloattention模塊

論文《Rethinking Local Perception in Lightweight Vision Transformer》

1、作用

CloFormer(Context-aware Local Enhancement Vision Transformer)是一種輕量級的視覺Transformer,用于在保持模型輕量化的同時(shí),提高在各種視覺任務(wù)中的性能,包括圖像分類、目標(biāo)檢測和語義分割。其主要目的是提升移動設(shè)備上的視覺模型性能,克服直接縮減標(biāo)準(zhǔn)ViT(Vision Transformer)模型尺寸導(dǎo)致的性能下降問題。

2、機(jī)制

CloFormer通過引入AttnConv(Attention Style Convolution Operator)來實(shí)現(xiàn)上下文感知的局部增強(qiáng),從而有效捕獲高頻局部信息。該模型采用兩分支結(jié)構(gòu):

1、局部分支

利用AttnConv融合共享權(quán)重和上下文感知權(quán)重來聚合高頻局部信息。首先,使用深度可分離卷積(Depthwise Convolution,DWconv)提取局部表示,然后部署上下文感知權(quán)重來增強(qiáng)局部特征。

2、全局分支

采用標(biāo)準(zhǔn)的注意力機(jī)制,通過對K和V進(jìn)行下采樣來降低FLOPs,幫助模型捕捉低頻全局信息。

3、獨(dú)特優(yōu)勢

1、上下文感知的局部增強(qiáng)

通過AttnConv,CloFormer有效地結(jié)合了共享權(quán)重和上下文感知權(quán)重的優(yōu)勢,實(shí)現(xiàn)了高質(zhì)量的局部特征增強(qiáng)。

2、兩分支結(jié)構(gòu)

通過同時(shí)捕獲高頻和低頻信息,模型能夠在不同的視覺任務(wù)中達(dá)到更好的性能。

3、輕量化設(shè)計(jì)

CloFormer專為移動設(shè)備設(shè)計(jì),通過精心的模型架構(gòu)設(shè)計(jì)和權(quán)重共享機(jī)制,實(shí)現(xiàn)了在保持輕量化的同時(shí)提高模型性能。

4、代碼

import torch
from torch import nn
from efficientnet_pytorch.model import MemoryEfficientSwish

# 定義一個(gè)通過卷積和激活函數(shù)生成注意力圖的模塊
class AttnMap(nn.Module):
    def __init__(self, dim):
        super().__init__()
        self.act_block = nn.Sequential(
            nn.Conv2d(dim, dim, 1, 1, 0),  # 1x1卷積用于調(diào)整通道數(shù)
            MemoryEfficientSwish(),  # 使用MemoryEfficientSwish作為激活函數(shù)
            nn.Conv2d(dim, dim, 1, 1, 0)   # 再次1x1卷積
        )

    def forward(self, x):
        return self.act_block(x)

# 定義高效注意力機(jī)制的主體模塊
class EfficientAttention(nn.Module):
    def __init__(self, dim, num_heads=8, group_split=[4, 4], kernel_sizes=[5], window_size=4,
                 attn_drop=0., proj_drop=0., qkv_bias=True):
        super().__init__()
        # 參數(shù)初始化和定義
        assert sum(group_split) == num_heads  # 確保分組數(shù)量之和等于頭的數(shù)量
        assert len(kernel_sizes) + 1 == len(group_split)  # 確保核大小列表加一等于分組數(shù)量
        self.dim = dim  # 輸入通道數(shù)
        self.num_heads = num_heads  # 注意力頭的數(shù)量
        self.dim_head = dim // num_heads  # 每個(gè)頭的維度
        self.scalor = self.dim_head ** -0.5  # 縮放因子
        self.kernel_sizes = kernel_sizes  # 核大小列表
        self.window_size = window_size  # 窗口大小
        self.group_split = group_split  # 分組列表
        # 根據(jù)核大小和分組定義卷積層、注意力映射層和QKV層
        convs = []
        act_blocks = []
        qkvs = []
        for i in range(len(kernel_sizes)):
            kernel_size = kernel_sizes[i]
            group_head = group_split[i]
            if group_head == 0:
                continue
            convs.append(nn.Conv2d(3 * self.dim_head * group_head, 3 * self.dim_head * group_head, kernel_size,
                                   1, kernel_size // 2, groups=3 * self.dim_head * group_head))
            act_blocks.append(AttnMap(self.dim_head * group_head))
            qkvs.append(nn.Conv2d(dim, 3 * group_head * self.dim_head, 1, 1, 0, bias=qkv_bias))
        if group_split[-1] != 0:
            # 對最后一個(gè)全局注意力頭的定義
            self.global_q = nn.Conv2d(dim, group_split[-1] * self.dim_head, 1, 1, 0, bias=qkv_bias)
            self.global_kv = nn.Conv2d(dim, group_split[-1] * self.dim_head * 2, 1, 1, 0, bias=qkv_bias)
            self.avgpool = nn.AvgPool2d(window_size, window_size) if window_size != 1 else nn.Identity()

        # 將定義的模塊注冊為子模塊
        self.convs = nn.ModuleList(convs)
        self.act_blocks = nn.ModuleList(act_blocks)
        self.qkvs = nn.ModuleList(qkvs)
        self.proj = nn.Conv2d(dim, dim, 1, 1, 0, bias=qkv_bias)  # 輸出投影層
        self.attn_drop = nn.Dropout(attn_drop)  # 注意力dropout
        self.proj_drop = nn.Dropout(proj_drop)  # 投影dropout

    # 高頻注意力處理函數(shù)
    def high_fre_attntion(self, x: torch.Tensor, to_qkv: nn.Module, mixer: nn.Module, attn_block: nn.Module):
        '''
        x: (b c h w)
        '''
        b, c, h, w = x.size()
        qkv = to_qkv(x)  # (b (3 m d) h w)
        qkv = mixer(qkv).reshape(b, 3, -1, h, w).transpose(0, 1).contiguous()  # (3 b (m d) h w)
        q, k, v = qkv  # (b (m d) h w)
        attn = attn_block(q.mul(k)).mul(self.scalor)
        attn = self.attn_drop(torch.tanh(attn))
        res = attn.mul(v)  # (b (m d) h w)
        return res

    # 低頻注意力處理函數(shù)
    def low_fre_attention(self, x: torch.Tensor, to_q: nn.Module, to_kv: nn.Module, avgpool: nn.Module):
        '''
        x: (b c h w)
        '''
        b, c, h, w = x.size()

        q = to_q(x).reshape(b, -1, self.dim_head, h * w).transpose(-1, -2).contiguous()  # (b m (h w) d)
        kv = avgpool(x)  # (b c h w)
        kv = to_kv(kv).view(b, 2, -1, self.dim_head, (h * w) // (self.window_size ** 2)).permute(1, 0, 2, 4,
                                                                                                 3).contiguous()  # (2 b m (H W) d)
        k, v = kv  # (b m (H W) d)
        attn = self.scalor * q @ k.transpose(-1, -2)  # (b m (h w) (H W))
        attn = self.attn_drop(attn.softmax(dim=-1))
        res = attn @ v  # (b m (h w) d)
        res = res.transpose(2, 3).reshape(b, -1, h, w).contiguous()
        return res

    # 模塊的前向傳播
    def forward(self, x: torch.Tensor):
        '''
        x: (b c h w)
        '''
        res = []
        for i in range(len(self.kernel_sizes)):
            if self.group_split[i] == 0:
                continue
            res.append(self.high_fre_attntion(x, self.qkvs[i], self.convs[i], self.act_blocks[i]))
        if self.group_split[-1] != 0:
            res.append(self.low_fre_attention(x, self.global_q, self.global_kv, self.avgpool))
        return self.proj_drop(self.proj(torch.cat(res, dim=1)))

# 輸入 N C HW,  輸出 N C H W
if __name__ == '__main__':
    block = EfficientAttention(64).cuda() # 實(shí)例化注意力模塊
    input = torch.rand(1, 64, 64, 64).cuda()# 創(chuàng)建一個(gè)隨機(jī)輸入  
    output = block(input)
    print(output.shape) # 打印輸出形狀
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成,瀏覽時(shí)請結(jié)合常識與多方信息審慎甄別。
平臺聲明:文章內(nèi)容(如有圖片或視頻亦包括在內(nèi))由作者上傳并發(fā)布,文章內(nèi)容僅代表作者本人觀點(diǎn),簡書系信息發(fā)布平臺,僅提供信息存儲服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容