论文将Multiscale Vision Transformers (MViTv2) 作为图像和视频分类以及对象检测的统一架构进行研究，结合分解的相对位置编码和残差池化连接提出了MViT的改进版本

来源：晓飞的算法工程笔记公众号

论文: MViTv2: Improved Multiscale Vision Transformers for Classification and Detection

论文地址：https://arxiv.org/abs/2112.01526
论文代码：https://github.com/facebookresearch/mvit

Introduction

为不同的视觉识别任务设计架构一直很困难，而最广泛采用的架构是结合了简单性和有效性的架构，例如VGGNet和ResNet。最近，Vision Transformers(ViT) 已经显示出能够与卷积神经网络 (CNN) 相媲美的性能，涌现出大量将其应用于不同的视觉任务中的工作来。

虽然ViT在图像分类中很流行，但在高分辨率目标检测和视频理解任务中的应用仍然具有挑战性。视觉信号的密度对计算和内存要求提出了严峻的挑战，主要因为基于Transformer的模型的自注意力块的复杂度与输入长度呈二次方增长。目前有大量的研究来解决这个问题，比较主要的两个为：

使用窗口注意力，在一个窗口内进行局部注意力计算以及对象检测，主要用于目标检测任务。
使用池化注意力，在计算自注意力之前先聚合局部特征的，主要用于视频任务。

后者推动了Multiscale Vision Transformers(MViT)的研究，以简单的方式扩展ViT的架构。整个网络不再固定分辨率，而是构造从高分辨率到低分辨率的多个阶段的特征层次结构。

MViT专门为视频任务设计，具有最先进的性能。论文将MViT作为一个模型系列在图像分类、目标检测和视频分类中进行研究，从而了解它是否能够作为通用的视觉任务的主干网络。

根据研究结果，论文提出了改进的架构 (MViTv2)，并包含以下内容：

从两个方面来大幅提升池化注意力的性能：
- 使用坐标分离的位置距离构造相对位置编码，在Transformer块中注入平移不变的位置信息。
- 使用残差池化连接来补偿注意力计算中池化缩放带来的影响。
根据标准的密集预测框架Mask R-CNN with Feature Pyramid Networks(FPN)改进MViT结构，并将其应用于目标检测和实例分割。实验表明，池化注意力比窗口注意力机制（例如Swin）更有效。另外，论文进一步开发了一种简单的混合池化注意力和窗口注意力的方案，可以实现更好的准确性/计算权衡。
论文提供了五种尺寸的MViT2架构，只需很少的修改就能作为图像分类、对象检测和视频分类的通用视觉架构。实验表明，MViT在ImageNet分类的准确率为88.8%，COCO对象检测的APbox准确率为58.7%，Kinetics-400视频分类的准确率为86.1%。其中，在视频分类任务上的准确率是非常出色的。

Revisiting Multiscale Vision Transformers

MViTv1的关键思想是为低级和高级视觉建模构建不同的阶段，而不是像ViT那样全是单尺度块。MViTv1缓慢地扩展通道宽度\(D\)，同时降低网络输入到输出阶段的序列长度\(\boldsymbol{\mathit{L}}\)，具体可以看之前的文章【MViT：性能杠杠的多尺度ViT | ICCV 2021】。

为了在Transformer块内执行下采样，MViT引入了池化注意力(Pooling Attention)。具体来说，对于输入序列 \(X\in{\mathbb{R}}^{L\times D}\)，分别对查询、键和值张量应用线性投影 \({W}{Q}\)、\({W}{K}\)、\({W}_{V}\in\mathbb{R}^{D\times D}\)，以及池化运算符 (\({\mathcal{P}}\))：

\[Q={\mathcal P}{Q}\left(X W{Q}\right),\;K={\mathcal P}{K}\left(X W{K}\right),\;V={\mathcal P}{V}\left(X W{V}\right) \quad\quad(1) \]

其中，\({Q}\in\mathbb{R}^{\tilde{L}\times D}\) 的长度 \(\tilde{L}\) 可减小 \({\mathcal{P}}{Q}\) 倍，\(K\)，\(V\) 的长度则可减少 \({\mathcal{P}}{K}\) 和 \({\mathcal{P}}_{V}\)倍。

随后，使用池化注意力计算任意长度 \({\widetilde{L}}\) 的输出序列 \(Z\in\mathbb{R}^{{\tilde{L}}\times D}\) 的输出序列：

\[Z:=\mathrm{Attn}(Q,K,V)=\mathrm{Softmax}\left(Q K^{\textsf{T}}/\sqrt{D}\right)V \quad\quad(2) \]

请注意，键和值张量的下采样因子 \({\mathcal{P}}{K}\) 和 \({\mathcal{P}}{V}\) 可能与应用于查询序列的 \({\cal P}_{Q}\) 不同。

池化注意力通过池化查询张量 \({Q}\) 来降低MViT不同阶段之间的分辨率，通过池化键 \(K\) 和值 \(V\) 张量来显着降低块内的计算和内存复杂性。

Improved Multiscale Vision Transformers

Improved Pooling Attention

Decomposed relative position embedding

虽然MViT已经显示出其在token之间建模交互方面的能力，但它们关注的是内容，而不是结构。完全依赖于绝对位置编码来提供位置信息的时空结构建模，导致MViT忽略了视觉中平移不变性的基本原理。也就是说，即使相对位置保持不变，MViT对两个补丁之间的交互进行建模的方式也会根据token在图像中的绝对位置而改变。为了解决这个问题，论文将相对位置编码加入到自注意力计算中。

论文将两个输入元素 \(i\) 和 \(j\) 之间的相对位置表示为位置编码 \(R_{p(i),p(j)}{\in}\mathbb{R}^{d}\) ，其中 \(p({t})\) 和 \(p({j})\) 表示元素 \(i\) 和 \(j\) 的空间位置，随后将相对位置编码嵌入到自注意力模块中：

\[\begin{array}{c} {{\mathrm{Attn}(Q,K,V)=\mathrm{Softmax}\left((Q K^{\textsf{T}}+E^{(\operatorname{rel})})/\sqrt{d}\right)V}} \\ {{\mathrm{where}}} \ \ \ \ E_{i j}^{\mathrm{(rel)}}=Q_{i}\cdot R_{p(i),p(j)} \end{array} \quad\quad(3) \]

但是，由于 \(R_{p(i),p(j)}\) 涉及时空坐标，存在的位置编码数量为 \({\cal O}(T W H)\)，计算起来很复杂。为了降低复杂性，论文沿时空轴对元素 \(i\) 和 \(j\) 之间的距离进行分解计算：

\[R_{p(i),p(i)}=R_{h(i),h(i)}^{\mathrm{h}}+R_{u\iota(i),n\iota(i)}^{\mathrm{w}}+R_{t(i),t(i)}^{\mathrm{t}} \quad\quad(4) \]

其中 \(R^{\mathrm{h}}，R^{\mathrm{w}}，R^{\mathrm{t}}\) 是沿高度、宽度和时间轴的位置编码，\(h(i)\)、\(w(i)\) 和 \(t(i)\) 分别表示标记的垂直、水平和时间位置。需要注意的是，\(R^{t}\) 是可选的，主要是为了支持视频任务中的时间维度。相比之下，论文的位置分解将学习编码的数量减少到 \(\mathcal{O}(H+W+H)\) ，这对早期的高分辨率特征图有很大的帮助。

Residual pooling connection

正如MViTv1所描述的，池化注意力对于降低注意力块中的计算复杂度和内存消耗非常有效。一般情况下，在 \(K\) 和 \(V\) 张量的缩放因子要大于 \(Q\) 张量的缩放因子，而且 \(Q\) 张量仅在跨阶段的分辨率发生变化时才被下采样。为了避免特征信息因为较大的缩放因子而丢失，论文添加了与池化的 \(Q\) 张量的残差池化连接，增加信息流并促进MViT中池化注意力块的训练。

如图 2 所示，论文在注意力块内引入了一个新的残差池化连接。具体来说，论文将池化查询张量添加到输出序列 \(Z\) 中：

\[Z:=\operatorname{Attn}\left(Q,K,V\right)+Q \quad\quad(5) \]

需要注意的是，输出序列 \(Z\) 与池化张量 \(Q\) 的长度相同。

这里的残差连接和池化操作都是必须的，在非跨阶段的块中也要补一个步幅为 1 的池化操作对 \(Q\) 进行处理。由于这种改进的计算增加很少，所以仍能维持池化注意力的低计算复杂度。

MViT for Object Detection

FPN integration

MViT的层次结构分四个阶段生成多尺度特征图，可以自然地对接到目标检测的特征金字塔网络（FPN）中，如图 3 所示。通过将FPN与MViT主干结合使用，论文将其应用于不同的检测架构（例如Mask R-CNN）。

Hybrid window attention

Transformer中的自注意力对token数量具有二次方复杂度，这个问题在高分辨率输入的目标检测中更加严重。

池化注意力和窗口注意力都通过在计算自注意力时减少查询、键和值张量的大小来控制自注意力的复杂性，但它们的本质是不同的：

池化注意力池通过局部聚合对特征进行下采样，但保持全局自注意力计算。
窗口注意力保持张量的分辨率，将输入划分为非重叠窗口并在局部执行自注意力计算。

默认窗口注意力仅在窗口内执行本地自注意力，因此缺乏跨窗口的连接。与使用滑动窗口来缓解此问题的Swin不同，论文提出了一种简单的混合窗口注意力(Hwin)来添加跨窗口连接。

Hwin对FPN的最后三个阶段的所有块输入（最后阶段的最后一个块外）计算窗口注意力得到局部特征，最后一个块则进行全局自注意力（或池化注意力）计算使得FPN的输入特征图包含全局信息。

Positional embeddings in detection

与固定分辨率输入的ImageNet分类不同，目标检测的训练通常包含不同大小的输入。对MViT中的位置编码（绝对或相对），论文首先从ImageNet预训练权重初始化参数，对应 \(224\times224\) 输入的位置编码，然后将其插值到相应的大小以进行目标检测训练。

MViT for Video Recognition

由于升级的池化注意力可以泛化到时空域，MViT可以很简单地应用于视频识别任务（例如Kinetics）。虽然MViTv1仅关注Kinetics数据集上的预训练，MViTv2也会研究从ImageNet数据集上预训练的效果。

应用于图像的MViT与应用于视频的MViT对比有三个不同之处：

1）主干中的映射层需要将输入投影到时空立方体而不是2D图像块。
2）池化运算符需要池化时空特征图。
3）相对位置编码加入时空位置。

由于 1) 和 2) 中的投影层和池化运算符默认由卷积层实现，因此论文使用inflation初始化，即将预训练模型中2D卷积层的权值除以T再复制T份形成3D卷积层（文章描述的做法跟参考文献有出入）。对于 3)，论文基于提出的分离相对位置编码进行计算，简单地用预训练权值初始化空间位置编码，然后将时空位置编码初始化为零。

MViT Architecture Variants

如表 1 所示，论文构建了几个不同数量参数和计算量的MViT变体，以便与其他ViT模型进行比较。每个变体主要改变基础的通道尺寸、每个阶段的块数和块中的头数，一共有五个变体（Tiny、Small、Base、Large和Huge）。需要注意，论文使用较少的头数量来改善运行时间，这对计算量和参数量是没有影响的。

遵循MViT的池化注意力设计，论文默认在所有池化注意力块中使用键和值池化，并且池化步幅在第一阶段设置为 4，并根据阶段的分辨率自适应地衰减跨阶段的步幅。