Обзор на статью Visual Transformers — новый подход к тренировке моделей компьютерного зрения на основе visual tokens

    Эта работа интересна тем, что авторы в ней предлагают новый подход к тренировке моделей на изображениях — использовать не только пиксели и свертки, но ещё и представлять изображения в виде визуальных токенов и тренировать на них трансформеры. По сравнению с использованием просто архитектуры ResNet предложенный подход уменьшает MAC (multiply and accumulate operations) в 6,9 раз и увеличивает топ-1 точность на 4,53 пункта на задаче классификации ImageNet.

    image

    Мотивация подхода


    Общепринятый подход к задачам компьютерного зрения — использовать картинки как 3D array (высота, ширина, количество каналов) и применять к ним свертки. У такого подхода есть ряд недостатков:

    • не все пиксели одинаково полезны. Например, если у нас задача классификации, то нам важнее сам объект, чем фон. Интересно, что авторы не говорят о том, что Attention уже пробуют применять в задачах компьютерного зрения;
    • Свертки не достаточно хорошо работают с пикселями, находящимися далеко друг от друга. Есть подходы с dilated convolutions и global average pooling, но они не решают саму проблему;
    • Свертки недостаточно эффективны в очень глубоких нейронных сетях.

    В результате авторы предлагают следующее: конвертировать изображения в некие визуальные токены и подавать их в трансформер.

    image

    • Вначале используется обычный backbone для получения feature maps
    • Далее feature map конвертируется в визуальные токены
    • Токены подаются в трансформеры
    • Выход трансформера может использоваться для задач классификации
    • А если объединить выход трансформера с feature map, то можно получить предсказания для задач сегментации

    Среди работ в схожих направлениях авторы все же упоминают Attention, но замечают, что обычно Attention применяется к пикселям, поэтому сильно увеличивает вычислительную сложность. Говорят и о работах по улучшению эффективности нейронных сетей, но считают, что они в последние годы дают все меньшие и меньшие улучшения, поэтому надо искать другие подходы.

    Visual transformer


    Теперь рассмотрим работу модели подробнее.

    Как уже говорилось выше, backbone извлекает feature maps, а они передаются в слои visual transformer.

    Каждый visual transformer состоит из трёх частей: токенизатор, трансформер, проектор (projector).

    Токенизатор


    image

    Токенизатор извлекает визуальные токены. По сути мы берем feature map, делаем reshape в (H * W, C) и из этого получаем токены

    image

    Визуализация коэффициентов при токенах выглядит вот так:

    image

    Position encoding


    Как обычно, трансформерам нужны не только токены, но ещё и информация об их позиции.

    image

    Вначале мы делаем downsample, потом домножаем на тренируемые веса и конкатенируем с токенами. Для корректировки количества каналов можно добавить 1D свертку.

    Transformer


    Наконец, сам трансформер.

    image

    Объединение visual tokens и feature map


    Это делает projector.

    image

    image

    Динамическая токенизация


    После первого слоя трансформеров мы можем не только извлекать новые visual tokens, но и использовать извлеченные с предыдущих шагов. Для их объединения используются тренируемые веса:

    image

    Использование visual transformers для построения моделей компьютерного зрения


    Дальше авторы рассказывают как именно применяется модель к задачам компьютерного зрения. Блоки трансформера имеют три гиперпараметра: количество каналов в feature map C, количество каналов в visual token Ct, количество visual tokens L.

    Если при переходе между блоками модели количество каналов оказывается неподходящим, то используются 1D и 2D свертки для получения необходимого количества каналов.
    Для ускорения расчетов и уменьшения размера модели используют group convolutions.
    Авторы в статье прикладывают **псевдокод** блоков. Полноценный код обещают выложить в будущем.

    Классификация изображений


    Берем ResNet и на его основе создаем visual-transformer-ResNets (VT-ResNet).
    Оставляем stage 1-4, лишь вместо последней ставим visual transformers.

    Выход из backbone — 14 x 14 feature map, количество каналов 512 или 1024 в зависимости от глубины VT-ResNet. Из feature map создаются 8 visual tokens на 1024 канала. Выход трансформера идёт в голову для классификации.

    image

    Семантическая сегментация


    Для этой задачи в качестве базовой модели берут panoptic feature pyramid networks (FPN).

    image

    В FPN свертки работают на изображениях с высоким разрешением, поэтому модель тяжелая. Авторы заменяют эти операции на visual transformer. Опять же 8 токенов и 1024 канала.

    Эксперименты


    Классификация на ImageNet

    Тренируют 400 эпох с RMSProp. Начинают с learning rate 0,01, в течение 5 эпох разогрева увеличивают до 0,16, а потом каждую эпоху домножают на 0,9875. Используют batch normalization и размер батча 2048. Label smoothing, AutoAugment, stochastic depth survival probability 0,9, dropout 0.2, EMA 0,99985.

    Это ж сколько экспериментов пришлось прогнать, чтобы все это подобрать…

    На этом графике можно увидеть, что подход даёт более высокое качество при уменьшенном количестве вычислений и размерах модели.

    image

    image

    Названия статей для сравниваемых моделей:

    ResNet + CBAM — Convolutional block attention module
    ResNet + SE — Squeeze-and-excitation networks
    LR-ResNet — Local relation networks for image recognition
    StandAlone — Stand-alone self-attention in vision models
    AA-ResNet — Attention augmented convolutional networks
    SAN — Exploring self-attention for image recognition

    Ablation study


    Для ускорения экспериментов брали VT-ResNet-{18, 34} и тренировали 90 эпох.

    image

    Использование трансформеров вместо сверток даёт самый большой прирост. Динамическая токенизация вместо статической также дает большой прирост. Энкодинг позиции дает лишь небольшое улучшение.

    Результаты сегментации


    image

    Как видим, метрика выросла лишь чуть-чуть, но модель потребляет в 6,5 раз меньше MAC.

    Потенциальное будущее подхода


    Эксперименты показали, что предложенный подход позволяет создавать более эффективные модели (в плане вычислительных затрат), которые при этом достигают лучшего качества. Предложенная архитектура успешно работает для разных задач computer vision, и можно надеяться, что её применение поможет улучшить системы, использующие comuter vision — AR/VR, автономные автомобили и другие.

    Обзор подготовил ведущий разработчик МТС Андрей Лукьяненко.
    МТС
    Компания

    Комментарии 2

      0
      Спасибо за перевод! Я так понял что кода авторы статьи не опубликовывали?
        0
        Да, к сожалению, код не выкладывали.

      Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

      Самое читаемое