【GiantPandaCV導語】CoAt=Convolution + Attention，paperwithcode榜單第一名，通過結合卷積與Transformer實現性能上的突破，方法部分設計非常規整，層層深入考慮模型的架構設計。
引言
Transformer模型的容量大，由於缺乏正確的歸納偏置，泛化能力要比卷積網絡差。
提出了CoAtNets模型族：
- 深度可分離卷積與self-attention能夠通過簡單的相對注意力來統一化。
- 疊加捲積層和注意層在提高泛化能力和效率方面具有驚人的效果
方法
這部分主要關注如何將conv與transformer以一種最優的方式結合：
- 在基礎的計算塊中，如果合併卷積與自注意力操作。
- 如何組織不同的計算模塊來構建整個網絡。
合併卷積與自注意力
卷積方面谷歌使用的是經典的MBConv， 使用深度可分離卷積來捕獲空間之間的交互。
卷積操作的表示：\(\mathcal{L}(i)\)代表i周邊的位置，也即卷積處理的感受野。
\[y_{i}=\sum_{j \in \mathcal{L}(i)} w_{i-j} \odot x_{j} \quad \text { (depthwise convolution) }
\]
自注意力表示：\(\mathcal{G}\)表示全局空間感受野。
\[y_{i}=\sum_{j \in \mathcal{G}} \underbrace{\frac{\exp \left(x_{i}^{\top} x_{j}\right)}{\sum_{k \in \mathcal{G}} \exp \left(x_{i}^{\top} x_{k}\right)}}_{A_{i, j}} x_{j} \quad \text { (self-attention) }
\]
融合方法一：先求和，再softmax
\[y_{i}^{\text {post }}=\sum_{j \in \mathcal{G}}\left(\frac{\exp \left(x_{i}^{\top} x_{j}\right)}{\sum_{k \in \mathcal{G}} \exp \left(x_{i}^{\top} x_{k}\right)}+w_{i-j}\right) x_{j}
\]
融合方法二：先softmax，再求和
\[y_{i}^{\text {pre }}=\sum_{j \in \mathcal{G}} \frac{\exp \left(x_{i}^{\top} x_{j}+w_{i-j}\right)}{\sum_{k \in \mathcal{G}} \exp \left(x_{i}^{\top} x_{k}+w_{i-k}\right)} x_{j}
\]
出於參數量、計算兩方面的考慮，論文打算採用第二種融合方法。
垂直佈局設計
決定好合並卷積與注意力的方式後應該考慮如何構建網絡整體架構，主要有三個方面的考量：
- 使用降採樣降低空間維度大小，然後使用global relative attention。
- 使用局部注意力，強制全局感受野限制在一定範圍內。典型代表有：
- Scaling local self-attention for parameter efficient visual backbone
- Swin Transformer
- 使用某種線性注意力方法來取代二次的softmax attention。典型代表有：
- Efficient Attention
- Transformers are rnns
- Rethinking attention with performers
第二種方法實現效率不夠高，第三種方法性能不夠好，因此採用第一種方法，如何設計降採樣的方式也有幾種方案：
- 使用卷積配合stride進行降採樣。
- 使用pooling操作完成降採樣，構建multi-stage網絡範式。
- 根據第一種方案提出\(ViT_{REL}\), 即使用ViT Stem，直接堆疊L層Transformer block使用relative attention。
- 根據第二種方案，採用multi-stage方案提出模型組：\(S_0,...,S_4\),如下圖所示：
\(S_o-S_2\)採用卷積以及MBConv，從\(S_2-S_4\)的幾個模塊採用Transformer 結構。具體Transformer內部有以下幾個變體：C代表卷積，T代表Transformer
- C-C-C-C
- C-C-C-T
- C-C-T-T
- C-T-T-T
初步測試模型泛化能力
泛化能力排序爲：（證明架構中還是需要存在想當比例的卷積操作）
初步測試模型容量
主要是從JFT以及ImageNet-1k上不同的表現來判定的，排序結果爲：
測試模型遷移能力
爲了進一步比較CCTT與CTTT，進行了遷移能力測試，發現CCTT能夠超越CTTT。
最終CCTT勝出！
實驗
與SOTA模型比較結果：
實驗結果：
消融實驗：
代碼
淺層使用的MBConv模塊如下：
class MBConv(nn.Module):
def __init__(self, inp, oup, image_size, downsample=False, expansion=4):
super().__init__()
self.downsample = downsample
stride = 1 if self.downsample == False else 2
hidden_dim = int(inp * expansion)
if self.downsample:
self.pool = nn.MaxPool2d(3, 2, 1)
self.proj = nn.Conv2d(inp, oup, 1, 1, 0, bias=False)
if expansion == 1:
self.conv = nn.Sequential(
# dw
nn.Conv2d(hidden_dim, hidden_dim, 3, stride,
1, groups=hidden_dim, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.GELU(),
# pw-linear
nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
nn.BatchNorm2d(oup),
)
else:
self.conv = nn.Sequential(
# pw
# down-sample in the first conv
nn.Conv2d(inp, hidden_dim, 1, stride, 0, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.GELU(),
# dw
nn.Conv2d(hidden_dim, hidden_dim, 3, 1, 1,
groups=hidden_dim, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.GELU(),
SE(inp, hidden_dim),
# pw-linear
nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
nn.BatchNorm2d(oup),
)
self.conv = PreNorm(inp, self.conv, nn.BatchNorm2d)
def forward(self, x):
if self.downsample:
return self.proj(self.pool(x)) + self.conv(x)
else:
return x + self.conv(x)
主要關注Attention Block設計，引入Relative Position:
class Attention(nn.Module):
def __init__(self, inp, oup, image_size, heads=8, dim_head=32, dropout=0.):
super().__init__()
inner_dim = dim_head * heads
project_out = not (heads == 1 and dim_head == inp)
self.ih, self.iw = image_size
self.heads = heads
self.scale = dim_head ** -0.5
# parameter table of relative position bias
self.relative_bias_table = nn.Parameter(
torch.zeros((2 * self.ih - 1) * (2 * self.iw - 1), heads))
coords = torch.meshgrid((torch.arange(self.ih), torch.arange(self.iw)))
coords = torch.flatten(torch.stack(coords), 1)
relative_coords = coords[:, :, None] - coords[:, None, :]
relative_coords[0] += self.ih - 1
relative_coords[1] += self.iw - 1
relative_coords[0] *= 2 * self.iw - 1
relative_coords = rearrange(relative_coords, 'c h w -> h w c')
relative_index = relative_coords.sum(-1).flatten().unsqueeze(1)
self.register_buffer("relative_index", relative_index)
self.attend = nn.Softmax(dim=-1)
self.to_qkv = nn.Linear(inp, inner_dim * 3, bias=False)
self.to_out = nn.Sequential(
nn.Linear(inner_dim, oup),
nn.Dropout(dropout)
) if project_out else nn.Identity()
def forward(self, x):
qkv = self.to_qkv(x).chunk(3, dim=-1)
q, k, v = map(lambda t: rearrange(
t, 'b n (h d) -> b h n d', h=self.heads), qkv)
dots = torch.matmul(q, k.transpose(-1, -2)) * self.scale
# Use "gather" for more efficiency on GPUs
relative_bias = self.relative_bias_table.gather(
0, self.relative_index.repeat(1, self.heads))
relative_bias = rearrange(
relative_bias, '(h w) c -> 1 c h w', h=self.ih*self.iw, w=self.ih*self.iw)
dots = dots + relative_bias
attn = self.attend(dots)
out = torch.matmul(attn, v)
out = rearrange(out, 'b h n d -> b n (h d)')
out = self.to_out(out)
return out