实战级Stand-Alone Self-Attention in CV,快加入到你的trick包吧 | NeurIPS 2019

1,612 阅读7分钟

论文提出stand-alone self-attention layer,并且构建了full attention model,验证了content-based的相互关系能够作为视觉模型特征提取的主要基底。在图像分类和目标检测实验中,相对于传统的卷积模型,在准确率差不多的情况下,能够大幅减少参数量和计算量,论文的工作有很大的参考意义

来源:【晓飞的算法工程笔记】 公众号

论文: Stand-Alone Self-Attention in Vision Models

Introduction


  目前卷积网络的设计是提高图像任务性能的关键,而卷积操作由于平移不变性使其成为了图像分析的主力。受限于感受域的大小设定,卷积很难获取长距离的像素关系,而在序列模型中,已经能很好地用attention来解决这个问题。目前,attention模块已经开始应用于传统卷积网络中,比如channel-based的attention机制 Squeeze-Excite和spatially-aware的attention机制Non-local Network等。这些工作都是将global attention layers作为插件加入到目前的卷积模块中,这种全局形式考虑输入的所有空间位置,当输入很小时,由于网络需要进行大幅下采样,通常特征加强效果不好
  因此,论文提出简单的local self-attention layer,将内容之间的关系(content-based interactions)作为主要特征提取工具而不是卷积的增强工具,能够同时处理大小输入,另外也使用这个stand-alone attention layer来构建全attention的视觉模型,在图像分类和目标定位上的性能比全卷积的baseline要好

Background


Convolution

  卷积神经网络(CNN)通常学习小范围(kernel sizes)的局部特征,对于输入x\in \mathbb{R}^{h\times w\times d_{in}},定义局部像素集\mathcal{N}_k为像素x_{i,j}周围k区域的像素,大小为k\times k\times d_{in},如图1

  对于学习到的权重W\in \mathbb{R}^{k\times k\times d_{out}\times k_{in}},位置ij的输出y_{ij}\in \mathbb{R}^{d_{out}}通过公式1计算所得,其中\mathcal{N}_k(i,j)=\{a,b|\ |a-i|\le k/2,|b-j|\le k/2\},CNN使用权重共享,W用于所有像素位置ij的输出,权重共享使得特征具有平移不变性以及降低卷积的参数量。目前有一些卷积的变种用以提高预测的表现,比如深度分离卷积

Self-Attention

  与传统的attention不同,self-attention应用于单个context而不是多个context间,能够直接建模context内长距离的交互信息,论文提出stand-alone self-attention layer用来替代卷积操作,并且构建full attention模型,这个attention layer主要是对之前的工作的一个简化

  与卷积类似,对于像素x_{ij}\in \mathbb{R}^{d_{in}},首先会取x_{ij}k范围内的局部区域像素ab\in \mathcal{N}_k(i,j),称为memory block。与之前的all-to-all attention不同,这个attention只在局部区域进行attention操作,全局attention只有在特征大小大幅减少后才能使用,不然会带来很大的计算开销

  single-headed attention计算如公式2,输出像素y_{ij}\in \mathbb{R}^{d_{out}},首先对输入向量进行三种变化得到3个值,查询像素queriesq_{ij}=W_Qx_{ij},关键词像素keysk_{ab}=W_Kx_{ab}以及值valuesv_ab=W_Vx_{ab}为像素ij和其附近像素的线性变化,softmax_{ab}应用于所有q_{ij}^\top k_{ab}W_Q,W_K,W_V\in \mathbb{R}^{d_{out}\times d_{in}}为学习到的变化。与公式1的卷积类似,local self-attention通过结合混合权重(softmax_{ab}(\cdot))与值向量进行输出,每个位置ij都重复上述步骤
  在实际中,使用multiple attention heads来学习输入的多个独立表达,将像素特征x_{ij}分为Nx_{ij}^n\in \mathbb{R}^{d_{in}/N},每个head用不同的变化W_Q^n,W_K^n,W_V^n\in R^{d_{out}/N\times d_{in}/N}进行single-headed attention计算,最后将结果concatenate成最终的输出y_{ij}\in \mathbb{R}^{d_{out}}

  公式2中没有使用位置信息,而之前的研究指出相对位置编码能提升self-attention带来明显的提升。因此,使用二维相对位置编码(relative attention),将行偏移a-i和列偏移b-j的编码进行concatenate成r_{a-i,b-j},如图4,最后将公式2变成公式3的spatial-relative attention,同时考虑query和key的内容间的相似性以及相对位置。由于考虑了相对位置,self-attention也拥有了类似卷积的平移不变性。另外,参数量的计算跟空间区域的大小无关,只稍微d_{in}d_{out}有关,而且增长很慢

Fully Attentional Vision Model


Replacing Spatial Convolution

  空间卷积为区域k>1的卷积,论文将所有的空间卷积替换成attention layer,若需要下采样,则在层后接一个stride为2的2\times 2平均池化。整体模型基于ResNet系列,将bottleneck block中的3\times 3卷积替换成公式3的self-attention layer,其余不变

Replacing the Convolutional Stem

  卷积神经网络的初始几层称为stem,主要用于学习例如边(edge)的局部特征,后面的层用来分辨整体目标。stem与核心block结构不一样,一般主要为轻量级的下采样操作。在ResNet中,stem由stride为2的7\times 7卷积接stride为2的3\times 3的max pooling组成。而stem中的内容包含RGB像素,这些像素是高度空间相关的,独立起来则失去了意义,没有丰富的content信息,使用content-based的公式3(会基于内容softmax weight)来替换stem中的卷积层会十分困难

  卷积的卷积核不同位置有不同的权重,有利于学习特定的边特征,为了减少这个偏差,在pointwise的1\times 1卷积(W_V)中加入距离相关的信息进行空间的线性变化,得到\tilde{v}_{ab}=(\sum_m p(a,b,m)W_V^m)x_{ab},为多值矩阵W_V^m是与邻近像素的p(a,b,m)的凸组合,p(a,b,m)可以认为是多值矩阵的权重。由于不同相对位置的emb不同,所以同一个像素点在不同的相对距离下就有不同的值,类似与卷积的属性,有利于边特征学习

Experiments


ImageNet Classification

  multi-head self-attention的区域范围k=7,8个attention head,stem在原图的4\times 4区域进行self-attention,后接一个batch normalization和4\times 4的max pool。从结果来看,对比ResNet-50,full attention准确率高0.7%,参数量和计算量分别少12%和29%

COCO Object Detection

  基于RetinaNet进行主干网络和FPN的替换进行实验,使用attention-based主干准确率差不多,且能够直接减少22%参数,而对主干网络和FPN同时替换成attention layer则能进一步下降34%参数和39%计算量

Where is stand-alone attention most useful

  • Stem

  从表1、表2和图5可以看出,对于分类,convolution stem表现较好,对于目标检测,在FPN为卷积时,convolution stem表现较好,而当其它部分都为full attention时,则表现差不多

  • Full network

  论文比较有意思,基于convolution stem,将替换的粒度精确到某一个group,将convolution用在前面的group能够提升性能,相反则会造成下降,论文解释为卷积能更好地提取低维特征,但是这里应该是同一维度的,所以这里值得商榷

Which components are important in attention?

  • Effect of spatial extent of self-attention

  • Importance of positional information

  论文对比公式3中r_{a-i,b-i}的位置编码,相对位置编码准确率最高

  表6结果表明,content-relative的交互信息(q\cdot r)是比较重要的

  • Importance of spatially-aware attention stem

CONCLUSION


  论文提出stand-alone self-attention laer,并且构建了full attention model,验证了content-based的相互关系能够作为视觉模型特征提取的主要基底。在图像分类和目标检测实验中,相对于传统的卷积模型,在准确率差不多的情况下,能够大幅减少参数量和计算量,论文的工作有很大的参考意义



写作不易,未经允许不得转载~
更多内容请关注 微信公众号【晓飞的算法工程笔记】

work-life balance.