【GiantPandaCV導(dǎo)語】通過在Transformer基礎(chǔ)上引入Deformable CNN中的可變性能力，在降低模型參數(shù)量的同時提升獲取大感受野的能力，文內(nèi)附代碼解讀。
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)存和計算代價，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算代價，提升計算效率。
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)上增加一個偏移量，9個位置都學(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
實(shí)驗配置：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：
- 可視化結(jié)果：COCO
這個可視化結(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
