前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >实战级Stand-Alone Self-Attention in CV,快加入到你的trick包吧 | NeurIPS 2019

实战级Stand-Alone Self-Attention in CV,快加入到你的trick包吧 | NeurIPS 2019

原创
作者头像
VincentLee
修改2020-03-02 14:18:18
1.2K0
修改2020-03-02 14:18:18
举报
文章被收录于专栏:晓飞的算法工程笔记

论文提出stand-alone self-attention layer,并且构建了full attention model,验证了content-based的相互关系能够作为视觉模型特征提取的主要基底。在图像分类和目标检测实验中,相对于传统的卷积模型,在准确率差不多的情况下,能够大幅减少参数量和计算量,论文的工作有很大的参考意义undefined 

来源:【晓飞的算法工程笔记】 公众号

论文: Stand-Alone Self-Attention in Vision Models

Introduction


  目前卷积网络的设计是提高图像任务性能的关键,而卷积操作由于平移不变性使其成为了图像分析的主力。受限于感受域的大小设定,卷积很难获取长距离的像素关系,而在序列模型中,已经能很好地用attention来解决这个问题。目前,attention模块已经开始应用于传统卷积网络中,比如channel-based的attention机制 Squeeze-Excite和spatially-aware的attention机制Non-local Network等。这些工作都是将global attention layers作为插件加入到目前的卷积模块中,这种全局形式考虑输入的所有空间位置,当输入很小时,由于网络需要进行大幅下采样,通常特征加强效果不好

  因此,论文提出简单的local self-attention layer,将内容之间的关系(content-based interactions)作为主要特征提取工具而不是卷积的增强工具,能够同时处理大小输入,另外也使用这个stand-alone attention layer来构建全attention的视觉模型,在图像分类和目标定位上的性能比全卷积的baseline要好

Background


Convolution

  卷积神经网络(CNN)通常学习小范围(kernel sizes)的局部特征,对于输入$x\in \mathbb{R}^{h\times w\times d{in}}$,定义局部像素集$\mathcal{N}_k$为像素$x{i,j}$周围$k$区域的像素,大小为$k\times k\times d_{in}$,如图1

  对于学习到的权重$W\in \mathbb{R}^{k\times k\times d{out}\times k{in}}$,位置$ij$的输出$y{ij}\in \mathbb{R}^{d{out}}$通过公式1计算所得,其中$\mathcal{N}_k(i,j)={a,b|\ |a-i|\le k/2,|b-j|\le k/2}$,CNN使用权重共享,$W$用于所有像素位置$ij$的输出,权重共享使得特征具有平移不变性以及降低卷积的参数量。目前有一些卷积的变种用以提高预测的表现,比如深度分离卷积

Self-Attention

  与传统的attention不同,self-attention应用于单个context而不是多个context间,能够直接建模context内长距离的交互信息,论文提出stand-alone self-attention layer用来替代卷积操作,并且构建full attention模型,这个attention layer主要是对之前的工作的一个简化

  与卷积类似,对于像素$x{ij}\in \mathbb{R}^{d{in}}$,首先会取$x_{ij}$的$k$范围内的局部区域像素$ab\in \mathcal{N}_k(i,j)$,称为memory block。与之前的all-to-all attention不同,这个attention只在局部区域进行attention操作,全局attention只有在特征大小大幅减少后才能使用,不然会带来很大的计算开销

  single-headed attention计算如公式2,输出像素$y{ij}\in \mathbb{R}^{d{out}}$,首先对输入向量进行三种变化得到3个值,查询像素queries$q{ij}=W_Qx{ij}$,关键词像素keys$k{ab}=W_Kx{ab}$以及值values$vab=W_Vx{ab}$为像素$ij$和其附近像素的线性变化,$softmax{ab}$应用于所有$q{ij}^\top k{ab}$,$W_Q,W_K,W_V\in \mathbb{R}^{d{out}\times d{in}}$为学习到的变化。与公式1的卷积类似,local self-attention通过结合混合权重($softmax{ab}(\cdot)$)与值向量进行输出,每个位置$ij$都重复上述步骤

  在实际中,使用multiple attention heads来学习输入的多个独立表达,将像素特征$x{ij}$分为$N$组$x{ij}^n\in \mathbb{R}^{d{in}/N}$,每个head用不同的变化$W_Q^n,W_K^n,W_V^n\in R^{d{out}/N\times d{in}/N}$进行single-headed attention计算,最后将结果concatenate成最终的输出$y{ij}\in \mathbb{R}^{d_{out}}$

  公式2中没有使用位置信息,而之前的研究指出相对位置编码能提升self-attention带来明显的提升。因此,使用二维相对位置编码(relative attention),将行偏移$a-i$和列偏移$b-j$的编码进行concatenate成$r{a-i,b-j}$,如图4,最后将公式2变成公式3的spatial-relative attention,同时考虑query和key的内容间的相似性以及相对位置。由于考虑了相对位置,self-attention也拥有了类似卷积的平移不变性。另外,参数量的计算跟空间区域的大小无关,只稍微$d{in}$和$d_{out}$有关,而且增长很慢

Fully Attentional Vision Model


Replacing Spatial Convolution

  空间卷积为区域$k>1$的卷积,论文将所有的空间卷积替换成attention layer,若需要下采样,则在层后接一个stride为2的$2\times 2$平均池化。整体模型基于ResNet系列,将bottleneck block中的$3\times 3$卷积替换成公式3的self-attention layer,其余不变

Replacing the Convolutional Stem

  卷积神经网络的初始几层称为stem,主要用于学习例如边(edge)的局部特征,后面的层用来分辨整体目标。stem与核心block结构不一样,一般主要为轻量级的下采样操作。在ResNet中,stem由stride为2的$7\times 7$卷积接stride为2的$3\times 3$的max pooling组成。而stem中的内容包含RGB像素,这些像素是高度空间相关的,独立起来则失去了意义,没有丰富的content信息,使用content-based的公式3(会基于内容softmax weight)来替换stem中的卷积层会十分困难

  卷积的卷积核不同位置有不同的权重,有利于学习特定的边特征,为了减少这个偏差,在pointwise的$1\times 1$卷积($WV$)中加入距离相关的信息进行空间的线性变化,得到$\tilde{v}{ab}=(\summ p(a,b,m)W_V^m)x{ab}$,为多值矩阵$W_V^m$是与邻近像素的$p(a,b,m)$的凸组合,$p(a,b,m)$可以认为是多值矩阵的权重。由于不同相对位置的emb不同,所以同一个像素点在不同的相对距离下就有不同的值,类似与卷积的属性,有利于边特征学习

Experiments


ImageNet Classification

  multi-head self-attention的区域范围$k=7$,8个attention head,stem在原图的$4\times 4$区域进行self-attention,后接一个batch normalization和$4\times 4$的max pool。从结果来看,对比ResNet-50,full attention准确率高0.7%,参数量和计算量分别少12%和29%

COCO Object Detection

  基于RetinaNet进行主干网络和FPN的替换进行实验,使用attention-based主干准确率差不多,且能够直接减少22%参数,而对主干网络和FPN同时替换成attention layer则能进一步下降34%参数和39%计算量

Where is stand-alone attention most useful

  • Stem  从表1、表2和图5可以看出,对于分类,convolution stem表现较好,对于目标检测,在FPN为卷积时,convolution stem表现较好,而当其它部分都为full attention时,则表现差不多
  • Full network

  论文比较有意思,基于convolution stem,将替换的粒度精确到某一个group,将convolution用在前面的group能够提升性能,相反则会造成下降,论文解释为卷积能更好地提取低维特征,但是这里应该是同一维度的,所以这里值得商榷

Which components are important in attention?

  • Effect of spatial extent of self-attention
  • Importance of positional information

  论文对比公式3中$r_{a-i,b-i}$的位置编码,相对位置编码准确率最高

  表6结果表明,content-relative的交互信息$(q\cdot r)$是比较重要的

  • Importance of spatially-aware attention stem

CONCLUSION


  论文提出stand-alone self-attention laer,并且构建了full attention model,验证了content-based的相互关系能够作为视觉模型特征提取的主要基底。在图像分类和目标检测实验中,相对于传统的卷积模型,在准确率差不多的情况下,能够大幅减少参数量和计算量,论文的工作有很大的参考意义

写作不易,未经允许不得转载~

更多内容请关注 微信公众号【晓飞的算法工程笔记】

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • Introduction
  • Background
    • Convolution
      • Self-Attention
      • Fully Attentional Vision Model
        • Replacing Spatial Convolution
          • Replacing the Convolutional Stem
          • Experiments
            • ImageNet Classification
              • COCO Object Detection
                • Where is stand-alone attention most useful
                  • Which components are important in attention?
                  • CONCLUSION
                  领券
                  问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档