点击下方“AI算法与图像处理”，一起进步！
重磅干货，第一时间送达
本文是上海科技大学在MLP架构方面的探索，它设计了一种轴向移位操作以便于进行空间信息交互。在架构方面，AS-MLP采用了类似PVT的分层架构，因为可以轻易的迁移到下游任务。所提方法在ImageNet数据集上取得了优于其他MLP架构的性能，在COC检测与ADE20K分割任务上取得了与Swin相当的性能。值得一提的是，AS-MLP是首个迁移到下游任务的MLP架构。注：CycleMLP与AS-MLP属于同一时期的工作，发到arxiv的时间也只差两天，说两者都是首个其实也可以。
paper: https://arxiv.org/abs/2107.08391
Code: https://github.com/svip-lab/AS-MLP
Abstract
本文提出了一种轴向移动架构AS-MLP(Axial Shifted MLP)用于不同的视觉任务(包含图像分类、检测以及分割)。不同于MLP-Mixer通过矩阵转置+词混叠MLP进行全局空域特征编码，我们在局部特征通信方向投入了更多的关注。
通过轴向移动特征信息，AS-MLP可以得到不同方向的信息流，这有助于捕获局部相关性。该操作使得我们采用纯MLP架构即可取得与CNN相同的感受野。我们还可以类似卷积核设置AS-MLP模块的感受野尺寸以及扩张因子。如此简单而有效的架构取得了优于其他MLP架构的性能，同时具有与Transformer架构(比如Swin Transformer)相当的性能，甚至具有稍少的FLOPs。比如，AS-MLP在ImageNet数据集上凭借88M参数量+15.2GFLOPs取得了83.3%top1精度，且无需额外训练数据。
此外，所提AS-MLP也是首个用于下游任务(如目标检测、语义分割)的MLP架构。AS-MLP在COC验证集上取得了51.5mAP指标，在ADE20K数据集上取得了49.5mIoU指标，具有与Transformer架构相当的性能。
Method
上图给出了本文所提AS-MLP-Tiny架构示意图，它以RGB图像 作为输入，然后将其拆分为非重叠 块，此时得到尺寸为 的词。由于AS-MLP具有四个阶段，每个阶段具有不同数量的AS-MLP模块。前述所得的所有词将被送入送入到这四个阶段，最终的输出特征将被用于分类。
阶段1包含一个线性嵌入层与多个AS-MLP模块，输出词的维度为 ；阶段2先进行块合并将近邻 块进行合并得到尺寸为 的词，然后通过线性层映射为 并后接多个AS-MLP模块。阶段3与阶段4具有与阶段2相似的结构。
AS-MLP Block
下图给出了本文的核心模块的架构示意图，它主要包含Norm、Axial Shift操作、MLP以及残差连接。在Axial Shift操作中，我们采用通道投影、垂直移动、水平移动提取特征。
如上图b所示，我们以水平移动进行说明。假设输入尺寸为 ，为方便起见，我们忽略了h并假设 。当移动尺寸为3时，输入特征被分为三部分，每部分分别沿水平方向移动 步长。注：此时我们采用了“zero-padding”。垂直移动操作与水平移动非常类似。
通过水平移动与垂直移动，特征可以进行了单一空间方向上的汇聚。在接下来的通道投影操作，两个方向的信息将进行汇聚。下图给出了本文所提AS-MLP实现code。
Comparisons between AS-MLP, Convolution, Transformer and MLP-Mixer
在这里，我们将AS-MLP、卷积、Swin以及MLP-Mixer进行对比分析。尽管这些模型是从不同角度出发设计得到，但它们均基于给定输出位置点，其值依赖于局部特征的加权。这些采样位置包含局部依赖与长距离依赖。
从上述对比图可以看到：
-
卷积是一种局部感受野的操作，更适合于提取具有局部依赖关系的特征； -
Swin同样是一种局部感受野操作，Swin为自注意力机制引入了局部性提升了Transformer架构的性能，同时也降低了计算复杂度； -
MLP-Mixer是一种全局感受野操作，它仅仅由矩阵转置与MLP操作构成； -
AS-MLP是一种局部“十”字感受野操作，它可以更好的提取局部依赖关系。
Variants of AS-MLP Architecture
前面的Figure仅仅给出了Tiny版本的AS-MLP架构，参考DeiT与Swin，我们通过调整模块数与通道数构建了不同大小的模型。
-
AS-MLP-T：C=96，模块数： ; -
AS-MLP-S：C=96，模块数： ; -
AS-MLP-B：C=128，模块数： ;
Experiments
ImageNet Classification
上表给出了所提方法在ImageNet数据上的性能对比，从中可以看到：
-
所提AS-MLP取得了比其他MLP架构更优的性能，同时具有相似的参数量与FLOPs； -
AS-MLP-S取得了83.1%的top1精度同时具有比Mixer-B/16、ViP-Medium/7更少的参数量； -
此外，AS-MLP-B取得了与Swin相当的性能：83.3%。
此外，我们还对比了端侧配置版本的AS-MLP，结果见上表。可以看到：在端侧配置下，所提方法大幅超越了Swin Transformer。
COCO Detection
上表对比了COCO检测任务上的性能对比，可以看到：
-
所提AS-MLP是首个用于下游任务的MLP架构； -
所提AS-MLP取得了与Swin相当的性能。具体来说，在Cascade Mask R-CNN+Swin-B取得了51.9AP指标，参数量为145M；而AS-MLP-B取得了51。5AP指标，参数量为145M。
ADE20K Segmentation
上表给出了ADE20K分割任务上的性能对比，从中可以看到：
-
所提AS-MLP同样是首个用于分割任务的MLP架构； -
AS-MLP-T取得了比Swin-T等有的性能，同时具有稍少FLOPs； -
UperNet+Swin-B取得了49.7mIoU，参数量为121M，计算量为1188GFLOPs；而UperNet+AS-MLP-B取得了49.5mIoU，参数量121M，计算量为1166GFLOPs。
Ablation Study
AS-MLP的核心是轴向移动，接下来我们将对其不同成分进行消融分析，所有试验均基于AS-MLP-T实现。
上表对比了不同padding方式、不同移动尺寸以及不同扩展比例的性能对比，从中可以看到：
-
zero-padding更适合于AS-MLP设计； -
提升扩张因子会轻微降低模型性能； -
提升移动尺寸，模型精度会先上升后下降。 -
基于上述分析，我们采用shift=5，zero-padding，dilation=1。
我们同时还比较了AS-MLP模块的不同链接类型，结果见上表，从中可以看到：在不同移动尺寸下，并行连接总是具有比串行连接更佳性能。
Comparsion with S2MLP
在初看到该文时，第一感觉这个与百度的那篇S2MLP(见下图核心模块)真的非常相似，都是采用了垂直、水平移位方式进行空间信息交互，而且还都是上下左右四个方向。可惜AS-MLP并未与S2MLP进行对比，反而比较晚(指的是见刊arxiv)的ViP进行的对比。
既然提到了，我们还是对S2MLP与ASMLP进行一下对比吧。
-
在整体架构方面，AS-MLP采用了类似PVT的分层架构，而S2MLP一文则是采用了类似ViT的柱状架构； -
在应用方面，AS-MLP即可应用于图像分类，还可以迁移到下游任务中；而S2MLP则仅适用于图像分类，并不适用下游任务； -
在核心模型方面，AS-MLP采用并行垂直、水平移动，分别进行特征汇聚后再进行特征相加汇聚；而S2MLP则采用分组方式，不同组进行不同方向的移动，然后再进行空间信息汇聚； -
在模型性能方面，AS-MLP取得了与Swin相当的性能，比ViP更优的性能；而S2MLP的性能则弱于Swin与ViP； -
最后一点，AS-MLP开源了，但S2MLP并未开源。
努力分享优质的计算机视觉相关内容，欢迎关注：
个人微信（如果没有备注不拉群！）
请注明：
地区+学校/企业+研究方向+暱称
![]()
下载1：何恺明顶会分享
在「AI算法与图像处理」公众号后台回复：何恺明，即可下载。总共有6份PDF，涉及 ResNet、Mask RCNN等经典工作的总结分析
下载2：终身受益的编程指南：Google编程风格指南
在「AI算法与图像处理」公众号后台回复：c++，即可下载。历经十年考验，最权威的编程规范！
下载3 CVPR2021
在「AI算法与图像处理」公众号后台回复：
CVPR
，即可下载1467篇CVPR 2020论文 和 CVPR 2021 最新论文
点亮 
，告诉大家你也在看
本文分享自微信公众号 - AI算法与图像处理（AI_study）。
如有侵权，请联系 [email protected] 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。