出品人：Towhee 技术团队 张晨、顾梦佳
在视觉领域，除了常规 Transformer 的持续发展，分层的 Transformer 结构也因为其性能和易集成性获得了极大的关注。DiNA 注意力机制是 Neighborhood Attention （NA）的拓展，更加自然、灵活、高效。它可以捕获更多的全局上下文并以指数方式扩展感受域，而无需额外成本。DiNA Transformer 是基于两种注意力的新型分层视觉模型。相比 NAT、Swin 和 ConvNeXt 等强基线模型，DiNAT 变体带来了显著的改进。使用了 DiNA 的大型模型速度更快，在公开数据集 COCO 的目标检测中领先 Swin 模型 1.5% box AP，在实例分割中超过 1.3% mask AP。
An illustration of DiNAT’s architecture.
分层结构的 Transformer 模型通常采用局部注意机制，例如滑动窗口 NA 或 Swin Transformer 的 Shifted Window Self Attention。虽然该策略有效地降低了自注意力的二次复杂度，但局部注意力削弱了自注意力的两个最理想的特性：远程相互依赖建模和全局感受野。因此 DiNAT 首先将输入下采样到原始空间分辨率的四分之一，并通过 4 级 DiNA Transformer 编码器发送它们。特征图被下采样到其空间大小的一半，并在级别之间的通道中加倍。DiNAT 层与大多数 Transformer 相似，模型会每隔一层在局部 NA 和稀疏全局 DiNA 之间切换。
相关资料：