标题&作者团队
本文是华为诺亚方舟实验在Transformer方面的又一次探索,针对现有Transformer存在打破图像块的结构信息的问题,提出了一种新颖的同时进行patch与pixel表达建模的TNT模块,它包含用于块嵌入建模的Outer Transformer 模块与像素嵌入建模的Inner Transformer模块,通过这种方式使得TNT可以同时提取全局与局部结构信息。在ImageNet数据集上,TNT-S模型以81.3%的top1精度超过了DeiT-S的的79.8%;TNT-B以82.8%的top1精度超过了DeiT-B的81.8%的top1精度。
Transformer是一种自注意力机制神经网络,最早兴起于NLP领域。近来,纯transformer模型已被提出并用于CV的各个领域,比如用于low-level问题的IPT,detection的DETR,classification的ViT,segmentation的SETR等等。然而这些Visual Transformer通过将图像视作块序列而忽视了它们最本质的结构信息。
针对上述问题,我们提出了一种新颖的Transformer iN Transformer(TNT)
模型用于对patch与pixel层面特征建模。在每个TNT模块中,outer transformer block
用于处理块嵌入,而inner transformer block
用于处理像素嵌入的局部特征,像素级特征通过线性变换投影到块嵌入空间并与块嵌入相加。通过堆叠TNT模块,我们构建了TNT模块用于图像识别。
我们在ImageNet与下游任务上验证了所提TNT架构的优越性,比如,在相似计算复杂度下,TNT在ImageNet上取得了81.3%的top1精度,以1.5%优于DeiT。
接下来,我们将重点描述本文所提TNT架构并对其复杂度进行分析。在正式介绍之前,我们先对transformer的一些基本概念进行简单介绍。
Transformer的基本概念包含MSA(Multi-head Self-Attention)、MLP(Multi-Layer Perceptron)以及LN(Layer Normalization)等。
MSA 在自注意力模块中,输入
将被线性变换为三部分,即queries
, keys
, values
。其中n表示序列长度,
分别表示输入、queries以及values的维度。此时自注意力机制可以描述如下:
最后,通过一个线性层生成最终的输出。而多头自注意力会将queries、keys、values拆分h次分别实施上述注意力机制,最后将每个头的输出concat并线性投影得到最后的输出。
MLP MLP是位于自注意力之间的一个特征变换模块,定义如下:
其中
表示激活函数,常用GELU,其他参数则是全连接层的weight与bias,不再赘述。
LN LN 是确保transformer稳定训练与快速收敛的关键部分,定义如下:
其中,
分别表示特征的均值与标准差,o表示点乘操作,
为可学习变换参数。
给定2D图像,我们将其均匀的拆分为n块
,其中p表示每个图像块的大小。ViT一文采用了标准transformer处理块序列,打破了块间的局部结构关系,可参考下图a。
TNT架构示意图
相反,本文提出了Transformer-iN-Transformer
结构同时学习图像的全局与局部信息。在每个TNT模块中,每个块通过unfold进一步变换到目标尺寸
,结合线性投影,块序列变为:
其中
, c表示通道数量。具体来说,我们将每个块
视作像素嵌入信息:
其中,
。
在TNT内部,我们具有两个数据流,一个用于跨块操作,一个用于块内像素操作。对于像素嵌入,我们采用transformer模块探索像素之间的相关性:
其中
表示层索引,L表示总共层数。所有块张量变换为
。它可以视作inner transformer block
,表示为
,该过程构建了任意两个像素之间的相关性。
在块层面,我们创建了块嵌入内存以保存块特征
,其中
表示类信息,初始化为0。在每一层,块张量通过线性投影变换到块嵌入空间并与块嵌入相加:
其中
表示flatten操作。然后我们采用标准transformer模块对块嵌入进行变换:
该输出即为outer transformer block
'
,它用于建模块嵌入之间的相关性。
总而言之,TNT的输入与输出包含像素嵌入与块嵌入,因此TNT可以表示为:
通过堆叠L次TNT模块,我们即可构建一个Transformer-in-Transformer
网络,最后类别token作为图像特征表达,全连接层用于分类。
位置编码信息
除了内容/特征信息外,空间信息也是图像识别非常重要的因素。对于块嵌入与像素嵌入来说,我们同时添加了位置编码信息,见上图。这里采用标准1D可学习位置编码信息,具体来说,每个块被赋予一个位置编码:
通过这种方式,块位置编码可以更好的保持全局空间结构信息,而像素位置编码可以保持局部相对位置关系。
对于标准transformer而言,它包含两部分:MSA与MLP。MSA的FLOPs如下:
而MLP的FLOPs则为
。所以,标准transformer的整体FLOPs如下:
一般来说
,所以FLOPs可以简化为
,而参数量则是
本文所提TNT则包含三部分:inner transformer block
, outer transformer block
与线性层。
的计算复杂度分别为
,线性层的FLOPS则是
。因此TNT的总体FLOPs则表示如下:
类似的TNT的参数量表示如下:
尽管TNT添加了两个额外的成分,但FLOPs提升很小。TNT的Flops大约是标准模块的1.09x,参数量大概是1.08x。通过小幅的参数量与计算量提升,所提TNT模块可以有效的建模局部结构信息并取得精度-复杂度的均衡。
在最终网络结构配置方面,我们延续了ViT与DeiT的配置方式。块大小为
,unfold块大小
。下表给出了TNT网络的不同大小的配置信息,它们分别包含23.8M和65.6M参数量,对应的FLOPs分别为5.2B与14.1B(注:输入图像尺寸为
)。
模型配置信息
Operational Optimizations 此外,启发与SE,我们进行tansformer的通道注意力机制探索。我们首先对所有patch/pixel嵌入进行平均,然后采用两层MLP计算注意力,所得注意力与所有嵌入相乘。SE模块仅仅带来非常少的参数量,但有助于进行通道层面的特征增强。
为验证所提方案的有效性,我们在ImageNet以及其他下游数据上进行了对比分析,相关数据信息如下所示。
数据集信息
训练超参方面的配置信息如下所示。
训练超can信息
我们先来看一下TNT、CNN以及其他Transformer在ImageNet上的性能对比,结果见下表。
ImageNet性能对比
从上表可以看到:
最后,我们再来看一下在下游任务的迁移效果,结果见效果。注:所有模型在
分辨率进行了微调。
迁移学习性能对比
从上表可以看到:
全文到此结束,更多消融实验与分析建议各位同学查看原文。
注:在公众号后台回复:TNT,即可获得上述论文下载链接。