不到两年的时间ViT 已经彻底改变了计算机视觉领域，利用transformers 强大的自注意机制来替代卷积，最近诸如 MLP-Mixer 和通过精心设计的卷积神经网络 (CNN) 等方法也已经实现了与 ViT 相当的性能。
在新论文 Sequencer: Deep LSTM for Image Classification 中，来自Rikkyo University 和 AnyTech Co., Ltd. 的研究团队检查了不同归纳偏差对计算机视觉的适用性，并提出了 Sequencer，它是 ViT 的一种架构替代方案，它使用传统的LSTM而不是自注意力层。Sequencer 通过将空间信息与节省内存和节省参数的 LSTM 混合来降低内存成本，并在长序列建模上实现与 ViT 竞争的性能。
Sequencer 架构采用双向 LSTM (BiLSTM) 作为构建块，并受 Hou 等人的 2021 Vision Permutator (ViP) 启发，并行处理垂直轴和水平轴。研究人员引入了两个 BiLSTM，以实现上/下和左/右方向的并行处理，由于序列长度缩短，从而提高了 Sequencer 的准确性和效率，并产生了具有空间意义的感受野。
Sequencer 将不重叠的补丁作为输入，并将它们与特征图匹配。Sequencer 模块有两个子组件：1）BiLSTM 层可以全局地混合空间信息记忆2）用于通道混合的多层感知机（MLP）。与现有架构一样，最后一个块的输出通过全局平均池化层发送到线性分类器。
完整文章