今天跟大家分享一篇來自CMU等機(jī)構(gòu)的論文《Sliced Recursive Transformer》，該論文已被 ECCV 2022 接收。

目前 vision transformer 在不同視覺任務(wù)上如分類、檢測等都展示出了強大的性能，但是其巨大的參數(shù)量和計算量阻礙了該模型進(jìn)一步在實際場景中的應(yīng)用。基于這個考慮，本文重點研究了如何在不增加額外參數(shù)量的前提下把模型的表達(dá)能力挖掘到極致，同時還要保證模型計算量在合理范圍內(nèi)，從而可以在一些存儲容量小，計算能力弱的嵌入式設(shè)備上部署。

基于這個動機(jī)，Zhiqiang Shen、邢波等研究者提出了一個 SReT 模型，通過循環(huán)遞歸結(jié)構(gòu)來強化每個 block 的特征表達(dá)能力，同時又提出使用多個局部 group self-attention 來近似 vanilla global self-attention，在顯著降低計算量 FLOPs 的同時，模型沒有精度的損失。

論文地址：https://arxiv.org/abs/2111.05297

代碼和模型：https://github.com/szq0214/SReT

總結(jié)而言，本文主要有以下兩個創(chuàng)新點：

使用類似 RNN 里面的遞歸結(jié)構(gòu)（recursive block）來構(gòu)建 ViT 主體，參數(shù)量不漲的前提下提升模型表達(dá)能力；

使用 CNN 中 group-conv 類似的 group self-attention 來降低 FLOPs 的同時保持模型的高精度；

此外，本文還有其他一些小的改動：

網(wǎng)絡(luò)最前面使用三層連續(xù)卷積，卷積核為 3x3，結(jié)構(gòu)直接使用了研究者之前 DSOD 里面的 stem 結(jié)構(gòu)；

Knowledge distillation 只使用了單獨的 soft label，而不是 DeiT 里面 hard 形式的 label 加 one-hot ground-truth，因為研究者認(rèn)為 soft label 包含的信息更多，更有利于知識蒸餾；

使用可學(xué)習(xí)的 residual connection 來提升模型表達(dá)能力；

如下圖所示，本文所提出的模型在參數(shù)量（Params）和計算量（FLOPs）方面相比其他模型都有明顯的優(yōu)勢：

下面我們來解讀這篇文章： 1.ViT 中的遞歸模塊 遞歸操作的基本組成模塊如下圖：

該模塊非常簡單明了，類似于 RNN 結(jié)構(gòu)，將模塊當(dāng)前 step 的輸出作為下個 step 的輸入重新輸進(jìn)該模塊，從而增強模型特征表達(dá)能力。 研究者展示了將該設(shè)計直接應(yīng)用在 DeiT 上的結(jié)果，如下所示：

可以看到在加入額外一次簡單遞歸操作之后就可以得到將近 2% 的精度提升。 當(dāng)然具體到全局網(wǎng)絡(luò)結(jié)構(gòu)層面還有不同的遞歸構(gòu)建方法，如下圖：

其中 NLL 層（Non-linear Projection Layer）是用來保證每個遞歸模塊輸入輸出不完全一致。論文提出使用這個模塊的主要原因是發(fā)現(xiàn)在上述 Table 1 里面更多次數(shù)的遞歸操作并沒有進(jìn)一步提升性能，說明網(wǎng)絡(luò)可能學(xué)到了一個比較簡單的狀態(tài)，而 NLL 層可以強制模型輸入輸出不一致從而緩解這種情況。同時，研究者從實驗結(jié)果發(fā)現(xiàn)上圖 (1) internal loop 相比 external loop 設(shè)計擁有更好的 accuracy-FLOPs 結(jié)果。 2. 分組的 Group Self-attention 模塊 如下圖所示，研究者提出了一種分組的 group self-attention 策略來降低模型的 FLOPs，同時保證 self-attention 的全局注意力，從而使得模型沒有明顯精度損失：

Group Self-attention 模塊具體形式如下：

Group self-attention 的缺點是只有局部區(qū)域會相互作用，研究者提出通過使用 Permutation 操作來近似全局 self-attention 的機(jī)制，同時通過 Inverse Permutation 來復(fù)原和保留 tokens 的次序信息，針對這個部分的消融實驗如下所示：

其中 P 表示加入 Permutation，I 表示加入 Inverse Permutation，-L 表示如果 group 數(shù)為 1，就不使用 P 和 I（比如模型最后一個 stage）。根據(jù)上述表格的結(jié)果，研究者最后采用了 [8, 2][4,1][1,1] 這種分組設(shè)計。 3. 其他設(shè)計 可學(xué)習(xí)的殘差結(jié)構(gòu) (LRC)：

研究者嘗試了上圖三種結(jié)構(gòu)，圖（3）結(jié)果最佳。具體而言，研究者在每個模塊里面添加了 6 個額外參數(shù)（4+2，2 個在 NLL 層），這些參數(shù)會跟模型其他參數(shù)一起學(xué)習(xí)，從而使網(wǎng)絡(luò)擁有更強的表達(dá)能力，參數(shù)初始化都為 1，在訓(xùn)練過程 6 個參數(shù)的數(shù)值變化情況如下所示：

Stem 結(jié)構(gòu)組成：

如上表所示，Stem 由三個 3x3 的連續(xù)卷積組成，每個卷積 stride 為 2。 整體網(wǎng)絡(luò)結(jié)構(gòu)： 研究者進(jìn)一步去掉了 class token 和 distillation token，并且發(fā)現(xiàn)精度有少量提升。

消融實驗：

模型混合深度訓(xùn)練： 研究者進(jìn)一步發(fā)現(xiàn)分組遞歸設(shè)計還有一個好處就是：可以支持模型混合深度訓(xùn)練，這種訓(xùn)練方式可以大大降低深度網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化復(fù)雜度，研究者展示了 108 層不同模型結(jié)構(gòu)優(yōu)化過程的 landscape 可視化，如下圖所示，可以很明顯的看到混合深度結(jié)構(gòu)優(yōu)化過程困難程度顯著低于另外兩種結(jié)構(gòu)。

最后，分組 group self-attention 算法 PyTorch 偽代碼如下：

審核編輯 ：李倩