Transformer系列 | ViT-LSLA：轻量自限制注意力，超越SWin！

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心【全栈算法】技术交流群

后台回复【transformer综述】获取2022最新ViT综述论文！

Transformer在广泛的视觉任务中表现出了竞争性的表现，而全局自注意力的计算成本非常高。许多方法将注意力范围限制在局部窗口内，以降低计算复杂性。然而，他们的方法无法节省参数的数量；同时，自注意力和内部位置偏差（在softmax函数内部）导致每个query都集中在相似和接近的patch上。

因此，本文提出了一种Light Self-Limited-Attention（LSLA），它包括轻Light Self-Attention机制（LSA）以节省计算成本和参数数量，以及Self-Limited-Attention（SLA）以提高性能。

首先，LSA用X（原点输入）替换自注意力的K（key）和V（value）。将其应用于具有编码器结构和自注意力机制的视觉Transformer，可以简化计算。其次，SLA具有位置信息模块和有限关注模块。前者包含以调整自注意力分数的分布并增强位置信息。后者在softmax函数之后使用外部位置偏差来限制一些较大的注意力权重值。最后，提出了一种具有LSLA的分层视觉Transformer（ViT-LSLA）。

实验表明，ViT LSLA在IP102上达到了71.6%的Top-1精度（Swin-T的绝对改进2.4%）；Mini-ImageNet上87.2%的Top-1准确率（Swin-T的绝对提高3.7%）。此外，它大大降低了FLOP（3.5GFLOP对Swin-T的4.5GFLOP）和参数（18.9M对276M Swin-TT）。

1、简介

Transformer的出现对自然语言处理（NLP）产生了深远影响。此外，视觉Transformer（ViT）与有线电视新闻网（CNN）相比表现出了良好的性能。受ViT的启发，提出了几种视觉Transformer。然而，对于各种视觉任务来说，采用原始的完全Self-Attention是不合适的，这导致了昂贵的计算成本（Self-Attention的计算复杂度与图像大小成二次方）。

为了解决这个问题，一方面，一种典型的方法是将全局Self-Attention的范围限制在局部地区。Swin Transformer 将自注意力的计算限制在局部窗口，并在两个连续块之间构建跨窗口连接。CSwin和Pale Transformer分别设计了十字形窗和Pale形窗。Shuffle Transformer提出了shuffle窗口。Axial DeepLab在高度轴和宽度轴上连续应用了两个轴向注意力层，改善了全局连接和高效计算。另一方面，最近的一些工作致力于Self-Attention的线性化。CoaT特别提出了一种分解注意力机制，其计算复杂度为通道的二次加权平均时间，而图像大小的线性加权平均时间。这些方法在一定程度上降低了计算成本；然而，它们不能保存参数的数量。

此外，许多以前的工作采用固定标度值来处理点积的大值。固定尺度可以防止softmax函数中的最小梯度，并将注意力分数的方差调整为1。由于它无法帮助Self-Attention掌握位置信息，在一些作品中，使用内部相对位置偏差来增强捕捉位置信息的能力。然而，注意力得分的值是每个向量与其他向量之间的相似性，这意味着相似向量具有较大的注意力得分。在将内部位置偏差添加到注意力得分之后，Self-Attention的计算可以被视为局部信息增强。这使得query倾向于关注相似且紧密的patch，而不是真正相关的patch。

本文提出了一种由LSA和SLA组成的LSLA。与自然语言处理（NLP）任务（例如机器翻译）中的编码器-解码器架构和交叉注意力机制不同，视觉Transformer在分类任务中具有仅编码器架构和自注意力机制。此外，机器翻译中有两种语言输入，但图像分类只需要处理图像输入。因此，LSA将Self-Attention计算从Q、K、V更改为Q、X、X，这可以显著降低Self-Attention的参数和计算成本。堆叠更多的Self-Attention块可能是有益的，这有助于Transformer更深入并获得更好的性能。

SLA进行如下：首先，与内部位置偏差配合的动态标度可以明确地指示位置信息（参见图3（a）中的蓝色斑块）。基于此，外部位置偏差可以有力地限制注意力权重的一些大值（参见图3（b）中的红色斑块），这有助于关注有意义的patch，而不是类似但不重要的patch。这些过程可以被视为局部信息集成，这有利于保留每个query patch的信息多样性。

通过LSLA，本文设计了一个具有ViT LSLA的分层视觉Transformer（如图1（a）所示），它比以前的方法实现了更好的性能，并显著降低了参数和计算成本。ViT LSLA（18.9M，3.5GFLOP）在IP102上实现了71.6%的Top-1分类准确率（Swin-T（27.6M，4.5GFLOPs）和MPViT-S（22.6M，4.8GFLOP）的2.4%和1.2%的绝对改进），在Mini-ImageNet上实现了87.2%的Top-2分类准确率，Swin-Tan和MPViT-S的3.7%和1.1%的绝对改善）。本文中的模型在两个特斯拉P100 GPU上进行了训练。

这项工作的贡献总结如下：

• 作为即插即用模块，提供了一个Light self-limited-attention mechanism（LSA）。Transformer通过在Self-Attention中应用LSA，可以方便地保存参数和FLOP的数量，而不会损失准确性。

• 引入了self-limited-attention mechanism（SLA）。基于位置信息，采用外部位置偏差来有效地限制大的注意力权重。因此，Transformer可以捕获真正有意义的信息，而不仅仅是具有高度相似性的信息。

• 使用上述组件建立简单的Transformer模型不仅可以显著降低计算成本和参数数量，而且可以显著提高性能。

2、Method

2.1、 Architecture

ViT LSLA的总体架构如图1（a）所示。接下来对于大小为H×W×3的输入图像，采用由2个3×3卷积层组成的stem块来获得大小为H/4×W/4×96的特征。整个模型由4个阶段组成。为了产生分层表示，使用patch merging layer来减少token的数量，并扩展两个相邻阶段之间的通道维度。

ViT LSLA块的粗略架构（见图1（b））遵循Swin Transformer块。Swin和ViT LSLA的块之间的区别在于，后者用LSLA取代了原来的自注意力机制。

如图1（c）所示，有LSLA模块的组件；本文的主要贡献是light self-attention mechanism（QXX）和由动态尺度（DS）和外部位置偏差（Bo）组成的self-limited-attention机制。以下各小节分别阐述了这些组成部分。

2.2、Light Self-Attention Mechanism

在引入light self-attention（LSA）之前，首先考虑了多层感知器（MLP）的FC（全连接层）。MLP必须在每层之后应用激活功能。否则，MLP将崩溃为线性模型：

其中,  是输入；H和O是隐变量和输出，两者之间没有非线性激活函数； ,  是权重矩阵，  ,    是偏差。将等式（1）代入等式（2），可导出以下等式：

添加隐藏层需要模型跟踪和更新其他参数集，但这对提高性能没有好处。假设  ，。解推导为：

其中是权重矩阵，是偏差。它表明隐藏层和输出层可以折叠成一个单独的层。

受此启发，原来的自注意力机制也可以用同样的方式简化。

QX或QK：本部分首先阐述了K（key）如何容易地被X替换。为了简单起见，原始MSA的公式定义如下：

在等式（5）中，其中Q、K和分别是Query、Key和Value的矩阵；是窗口中的贴片数（本文中假设M为7），d是通道尺寸。此外，Q、K和V通过FC从X导出，为了简单起见，省略了FC的偏置：

其中 为原始输入，  、  、  是FC的权重矩阵。基于等式（5）和（6），可以数学公式化如下：

假设是，可以导出以下表达式：

设为，等式（7）简化为：

注意，也可以通过FC从X导出；和都可以在训练过程中被优化。总之，相当于；设为，则等式（5）可以改写为：

QXV或QXX：同样，QXV也可以以相同的方式还原为QXX。等式（10）简化为：

根据等式（6），可以导出以下等式：

用X代替V的Transformer性能较弱是合理的。

然而，在MSA模块的末端应用了一个线性投影（见图2（a）），这就是为什么可以用X替换V的原因。让这个线性投影的权重矩阵为。可导出以下方程：

假设是，可以表示为：

因此，可以合理地得出的线性投影等价于最后一个（）；即，如图2（a）和2（b）所示，它们中的任何一个都可以被丢弃。本文选择了第一种方法；因此，Light Self-Attention（LSA）机制被定义为：

2.3、Self-Limited-Attention Mechanism

Self-Limited-Attention（SLA）具有位置信息模块和有限注意力模块。前者包含动态尺度和内部位置偏差，以增强位置信息，这可以标记需要限制的patch。基于此，后者在softmax函数之后采用外部位置偏差来限制之前token的注意力权重值。

位置信息模块：由于Transformer模型无法捕获位置信息，因此有必要为图像块应用一些相对或绝对位置。在计算相似性时，将相对位置偏差引入每个head。保持内部位置偏差（在softmax函数内）。固定标度（FS）的LSA公式为：

其中是查询维度；是内部位置偏差。

为了增强捕获位置信息的能力，设计了动态标度（DS）来代替固定标度。它与内部位置偏差一致，包含一组可学习的参数。具有DS的LSA可公式如下：

其中，表示query patch附近的patch具有较大的动态尺度和内部位置偏差值，如图3（a）和4（a）所示。这有助于query patch捕获每个图像块的位置信息。这可以被视为局部信息增强。

Limited-Attention模块：根据位置信息模块，LSA可以增强局部信息。然而，点积的值是每个向量与其他向量之间的相似性，这意味着相似向量具有很大的注意力权重。然而，这样的局部信息增强迫使自注意力集中在紧密且相似的patch上，包括patch本身。

为了保持每个query patch的信息多样性，使用了额外的外部位置偏差（softmax函数外），其结构与内部位置偏差相同。外部位置偏差与动态尺度和内部位置偏差相配合，可以极大地限制query patch附近的大注意力权重。

如图3（b）和4（b）所示，第8个patch是查询。外部位置偏差会严重限制其邻近的注意力权重，尤其是其自身。但其他patch的注意力权重被保留。最后，LSLA公式如下：

很容易理解外部位置偏差的合理性。在图3（b）中，查询patch位于猫的耳朵，而显著的patch（金色patch）位于猫眼。这个过程可以看作是一个局部信息整合，它有助于自注意力捕捉显著的信息，而不是接近和相似的信息。

LSLA的代码如算法1所示。

3、实验

3.1、Image Classification

3.2、Ablation Study

4、参考

[1].ViT-LSLA: Vision Transformer with Light Self-Limited-Attention

往期回顾

一文详解视觉Transformer在CV中的现状、趋势和未来方向（分类/检测/分割/多传感器融合）

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、规划控制、模型部署落地、自动驾驶仿真测试、硬件配置、AI求职交流等方向；

添加汽车人助理微信邀请入群

备注：学校/公司+方向+昵称

自动驾驶之心【知识星球】

想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D目标检测、多传感器融合、目标跟踪、光流估计、轨迹预测）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球（三天内无条件退款），日常分享论文+代码，这里汇聚行业和学术界大佬，前沿技术方向尽在掌握中，期待交流！