PVT重磅升级：三点改进，性能大幅提升

AIWalker

发布于 2021-07-05 18:51:07

1K0

发布于 2021-07-05 18:51:07

文章被收录于专栏：AIWalker

标题&作者团队

本文是南京大学&港大&南理工&商汤团队针对PVT的升级，针对PVT存在的不足提出了三点改进(1)采用卷积提取局部连续特征；(2)带zero-padding 的重叠块嵌入提取位置信息编码；(3)带均值池化、线性复杂度的注意力层。受益于上述三点改进措施，所得PVTv2取得了显著优于PVTv1的性能，同时具有比Swin更佳的性能。

Abstract

Transformer在CV领域取得了喜人的进展。在本文工作中，我们在PVT(后称PVTv1)的基础上引入了如下三个改进得到了PVTv2:

采用卷积提取局部连续特征；
带zero-padding的位置编码；
带均值池化的线性复杂度的注意力层。

基于上述改进，所提PVTv2在分类、检测以及分割方面取得了显著优于PVTv1的性能，比如，PVTv2-B5在ImageNet上取得了83.8%的top1精度，优于Swin-B于Twins-SVT-L同时具有更少参数量与计算量；GFL+PVT-B2的组合在COCO-val2017数据集取得了50.2AP指标，显著优于Swin-T(高2.6AP)与ResNet50(高5.7AP)。更进一步，基于ImageNet-1K预训练，相比近期的工作(包含Swin Transformer)所提PVTv2取得了更佳的性能。

前情回顾

上图给出了PVT的架构示意图，PVT旨在将金字塔结构嵌入到Transformer结构用于生成多尺度特征，并最终用于稠密预测任务。类似与CNN骨干结构，PVT同样包含四个阶段用于生成不同尺度的特征，所有阶段具有相类似的结构：Patch Embedding+Transformer Encoder。

在第一个阶段，给定尺寸为

H \times W \times 3

的输入图像，我们按照如下流程进行处理：

首先，将其划分为

\frac{HW}{4^2}

的块(这里是为了与ResNet对标，最大输出特征的尺寸为原始分辨率的1/4)，每个块的大小为

4\times 4\times 3

；

然后，将展开后的块送入到线性投影曾得到尺寸为

\frac{HW}{4^2} \times C_1

的嵌入块；

其次，将前述嵌入块与位置嵌入信息送入到Transformer的Encoder，其输出将为reshap为

\frac{H}{4} \times \frac{W}{4} \times C_1

.

采用类似的方式，我们以前一阶段的输出作为输入即可得到特征

F_2, F_3, F_4

。基于特征金字塔

F_1, F_2, F_3, F_4

，所提方案可以轻易与大部分下游任务(如图像分类、目标检测、语义分割)进行集成。

对PVT一文感兴趣的朋友，可移步笔者之前的解读：

金字塔Transformer，更适合稠密预测任务的Transformer骨干架构

Improved Pyramid Vision Transformer

类似ViT，PVTv1同样将图像视作非重叠块序列，而这种处理方式会在一定程度上破坏图像的局部连续性。此外，PVTv1中采用了定长位置编码，这对于任意尺度图像处理不够灵活。这些问题均限制了PVTv1在视觉任务方面的性能。

为解决上述问题，我们提出了PVTv2，它主要针对PVTv1进行了以下三个方面的改进。

Overlapping Patch Embedding

下图对比了PVTv1与PVTv2在块嵌入方面的差异示意图。也就是说，在PVTv2中，我们采用重叠块嵌入对图像进行序列化。下上图a为例，我们扩大了块窗口，使得近邻窗口重叠一半面积。在这里，我们采用带zero-padding的卷积实现重叠块嵌入。具体来说，给定尺寸为

H \times W \times C

的输入，我们采用stride=S，核尺寸为

2S-1

，padding为S-1的卷积进行处理，输出尺寸为

\frac{H}{S} \times \frac{W}{S} \times C^{'}

。

Convolutional Feed-Forward

受启发于LocalViT、CPVT，我们移除了定长位置编码，将zero-padding位置编码引入到PVT，见上图b。我们采用了

3\times 3

深度卷积、全连接层以及GELU构建了前馈网络。

Linear Spatial Reduction Attention

为进一步减少PVT的计算量，我们提出了LSRA(Linear Spatial Reduction Attention),见上图。与SRA不同之处，LSRA具有线性复杂度、内存占用与卷积类似。具体来说，给定

H \times W\times C

的输如，SRA与LSRA的复杂度分别如下：

\Omega(\text{SRA}) = \frac{2H^2W^2C}{R^2} + HWC^2R^2

\Omega(\text{LSRA}) = 2HWP^2C

其中，R表示SRA的空间分辨率下降比例，P为LSRA的池化尺寸，默认为7。

Details of PVTv2 Seris

组合上述三点改进即得到了本文的PVTv2，它具有以下三个特性：

包含图像/特征更多的局部连续性；
更灵活的处理可变分辨率图像；
具有类似CNN的线性复杂度。

通过改变如下超参数，我们构建了不同版本的PVTv2(B0-B5)。

S_i

：表示阶段i的重叠块嵌入的stride；

C_i

：表示阶段i的输出通道数；

L_i

：表示阶段i的编码器层数；

R_i

：表示阶段i的SRA的下降比例；

P_i

：表示阶段i的LSRA的自适应均值池化尺寸；

N_i

：表示阶段i的Efficient Self-Attention的头数；

E_i

：表示阶段i的前馈层的扩张比例。

上表给出了PVTv2的结构信息，该设计参考ResNet的设计原则：

通道维度随空间分辨率收缩而提升；
Stage-3被赋予更多的计算量。

Experiments

在实验方面，我们主要在ImageNet分类、COCO检测与实例分割方面进行了对比。

ImageNet

上表给出了ImageNet上的性能对比，从中可以看到：

相比PVT，PVTv2具有相似的FLOPs与参数量，但性能取得了显著提升。比如，相比PVTv1-tiny，PVTv2-B1指标高3.6%；相比PVT-large，PVTv2-B4指标高1.9%；
性比其他方案，PVTv2同样具有显著优势(精度、模型大小)。比如，相比Swin与Twins，所提PVTv2-B5取得了83.8%top1精度，指标更高、参数量与FLOPs更低。

COCO

上表给出了COCO目标检测与实例分割方面的性能对比，从中可以看到：在单阶段与双阶段目标检测方面，PVTv2均比PVTv1具有更好的性能：相同模型大小，更高的指标。比如，基于RetinaNet，PVTv2-B4取得了46.4AP指标，以3.5AP超过了PVTv1；基于Mask R-CNN，PVTv2-B4取得了47.5AP指标，以3AP优于PVTv1。

为了与Swin更公平的对比，我们确保所有配置相同(包含预训练与微调)并在四种不同的检测器框架下进行了对比，结果见上表。从中可以看到：PVTv2在四种检测器框架下均取得了比Swin更佳的 AP指标，证实了其优异的特征表达能力。比如，基于ATSS框架，相比Swin-T，所提PVTv2取得了2.7指标提升且具有相似参数量与计算量；所提PVTv2-Li可以将计算量从258G减少到194G，而精度仅轻微下降(约1AP)。