FPT：又是借鉴Transformer，这次多方向融合特征金字塔 | ECCV 2020

论文提出用于特征金字塔的高效特征交互方法FPT，包含3种精心设计的特征增强操作，分别用于借鉴层内特征进行增强、借鉴高层特征进行增强以及借鉴低层特征进行增强，FPT的输出维度与输入一致，能够自由嵌入到各种包含特征金字塔的检测算法中，从实验结果来看，效果不错undefined 

来源：晓飞的算法工程笔记 公众号

论文: Feature Pyramid Transformer

• 论文地址：https://arxiv.org/abs/2007.09451
• 论文代码：https://github.com/ZHANGDONG-NJUST/FPT

Introduction

  讲论文前先捋一下CNN网络结构相关的知识，论文的思想主要来自两个，一个是特征金字塔结构，一个是Non-local网络：

• 首先是特征金字塔，如图1a，CNN网络以层级结构的形式逐层提取更丰富的特征，然后使用最后的特征层进行预测。但对于一些小物体而言，最后一层的特征图往往没有足够的像素点进行预测。为了更好地对不同大小的物体进行预测，人们提出图1b的金字塔特征，大物体使用高层的粗粒度特征，小物体使用底层的细粒度特征。对于一些pixel-level任务，比如语义分割，需要综合不同层的上下文信息进行细致的预测，所以就需要图1c的预测结构。
• 其次是Non-local network，该网络借鉴了NLP模型的Self-attention思想，如图1d所示，能够借鉴特征图上的其它特征点来对当前特征点进行增强。

  基于上面两个思想，论文提出了FPT(Feature Pyramid Transformer)，结构如图1e所示，核心在特征金字塔上进行类似Non-local的特征增强，然后再使用多层特征进行预测。FPT设计了3种特征增强操作，也是论文的主要贡献：

• ST(Self-Transformer)：跟non-local操作一样在对当前层进行特征增强。
• GT(Grounding Transformer)：这是top-down形式的non-local操作，将高层特征(尺寸小的)分别用于低层特征的增强。
• RT(Rendering Transformer)：这是bottom-up形式的non-local操作，将低层特征(尺寸大的)分别用于高层特征的增强。

Feature Pyramid Transformer

  FPT的特征转换流程如图2所示，输入为金字塔特征，首先对每层特征分别进行ST、GT、RT特征增强得到多个增强后的特征，然后对增强的特征按尺寸进行排序，将相同大小的特征concate到一起，通过卷积将增强后的特征维度恢复到输入时的相同维度。

Non-Local Interaction Revisited

  由于论文提出的特征增强操作与non-local操作有很大关系，这里需要先介绍下non-local的思想。常规non-local操作的输入为单特征图$X$上的queries(Q), keys(K)和values(V)，输出与$X$尺寸相同的增强特征$\hat{X}$：

$qi=f_q(X_i)\in Q$，$k_j=f_k(X_j)\in K$，$v_j=f_v(X_j)\in V$，$f_q(\cdot)$、$f_k(\cdot)$和$f_v(\cdot)$为对应的线性变换，$X_i$和$X_j$为特征图$X$上的第$i^{th}$和$j^{th}$位置上的特征，$F{sim}$为相似度函数，默认为点积，$F{nom}$为归一化函数，默认为softmax，$F{mul}$为权重集成函数，默认为矩阵相乘，$\hat{X}_i$为输出特征图$\hat{X}$的第$i^{th}$位置上的特征。

Self-Transformer

  ST为改进版non-local操作，如图1a所示，主要有两点不同：

• 将$qi$和$k_j$分为$\mathcal{N}$部分，然后计算每部分的每组$q{i,n}$和$k{j,n}$相似度分数$s^n{i,j}$
• 相似度计算使用改进的MoS(Mixture of Softmaxes)函数$F_{mos}$：
  
  $\pi_n=Softmax(w^T_n \overline{k})$为特征集成时的权重，$w_n$为可学习的线性变换，$\overline{k}$为所有$k_j$的均值。

  基于上述的改进，ST定义为：

Grounding Transformer

  GT是top-down形式的non-local操作，如图2c所示，借用高层的粗粒度特征$X^c$来增强低层的细粒度特征$X^f$。在计算时，相似度计算由点积替换为更高效的欧氏距离$F_{eud}$：

$q_i=f_q(X^f_i)$，$k_j=f_k(X^c_j)$。GT跟ST一样将$q_i$和$k_j$分为$\mathcal{N}$部分，完整的定义为：

  在特征金字塔中，高低层特征分别包含图片的全局和局部信息，而对于语义分割任务，不需要关注过多高层的全局信息，更多的是需要query位置附近的上下文信息，所以图3b的跨层卷积对语义分割任务十分有效。由于GT操作是全局计算，所以论文提出了局部约束(Locality-constrained)的GT操作LGT，如图3c所示，每个$q_i$只与高层局部区域的$k_j$和$v_j$进行计算。高层局部区域以$q_i$对应的位置为中心，边长(square size)为固定值。如果高层的局部区域越出了特征图，则使用0代替。

Rendering Transformer

  与GT相反，RT是bottom-up形式的non-local操作，借用低层的细粒度特征来增强高层的粗粒度特征。RT也是局部约束(Locality-constrained)的，以channel-wise进行计算的，定义高层特征为$Q$，低层特征为$K$和$V$，计算步骤包含如下：

• 对$K$和进行全局平均池化得到权重$w$。
• 使用权重$w$对$Q$进行加权得到$Q_{att}$。
• 对$V$进行带stride的$3\times 3$卷积下采样得到$V_{dow}$。
• 使用$3\times 3$卷积对$Q{att}$进行调整，并与$V{dow}$相加，再过一层$3\times 3$卷积后输出。

  完整RT的定义为：

$F{att}(\cdot)$为外积函数，$F{scov}(\cdot)$为带stride的$3\times 3$卷积，$F{conv}(\cdot)$为用于调整的$3\times 3$卷积，$F{add}(\cdot)$为包含$3\times 3$卷积的特征相加函数。

Experiments

  在COCO上与其它算法的对比实验。

  在多个数据集上的进行语义分割性能对比。

Conclusion

  论文提出用于特征金字塔的高效特征交互方法FPT，包含3种精心设计的特征增强操作，分别用于借鉴层内特征进行增强、借鉴高层特征进行增强以及借鉴低层特征进行增强，FPT的输出维度与输入一致，能够自由嵌入到各种包含特征金字塔的检测算法中，从实验结果来看，效果不错。