首发：AI公园公众号
作者：Cheng He
编译：ronghuaiyang

导读

将Transformer应用到CV任务中现在越来越多了，这里整理了一些相关的进展给大家。

Transformer结构已经在许多自然语言处理任务中取得了最先进的成果。Transformer 模型的一个主要的突破可能是今年年中发布的GPT-3，被授予NeurIPS2020“最佳论文“。

在计算机视觉领域，CNN自2012年以来已经成为视觉任务的主导模型。随着出现了越来越高效的结构，计算机视觉和自然语言处理越来越收敛到一起，使用Transformer来完成视觉任务成为了一个新的研究方向，以降低结构的复杂性，探索可扩展性和训练效率。

以下是几个在相关工作中比较知名的项目：

DETR(End-to-End Object Detection with Transformers)，使用Transformers进行物体检测和分割。
Vision Transformer (AN IMAGE IS WORTH 16X16 WORDS: Transformer FOR IMAGE RECOGNITION AT SCALE)，使用Transformer 进行图像分类。
Image GPT(Generative Pretraining from Pixels)，使用Transformer进行像素级图像补全，就像其他GPT文本补全一样。
End-to-end Lane Shape Prediction with Transformers，在自动驾驶中使用Transformer进行车道标记检测

结构

总的来说，在CV中采用Transformer的相关工作中主要有两种模型架构。一种是纯Transformer结构，另一种是将CNNs/主干网与Transformer相结合的混合结构。

纯Transformer
混合型：(CNNs+ Transformer)

Vision Transformer是基于完整的自注意力的Transformer结构没有使用CNN，而DETR是使用混合模型结构的一个例子，它结合了卷积神经网络(CNNs)和Transformer。

一些问题

为什么要在CV中使用Transformer？如何使用
benchmark上的结果是什么样的？
*What are the constraints and challenges of using Transformer in CV?*
哪种结构更高效和灵活？为什么？

你会在ViT、DETR和Image GPT的下面的深入研究中找到答案。

Vision Transformer

Vision Transformer(ViT)将纯Transformer架构直接应用到一系列图像块上进行分类任务，可以取得优异的结果。它在许多图像分类任务上也优于最先进的卷积网络，同时所需的预训练计算资源大大减少(至少减少了4倍)。

图像序列patches

它们是如何将图像分割成固定大小的小块，然后将这些小块的线性投影连同它们的图像位置一起输入变压器的。然后剩下的步骤就是一个干净的和标准的Transformer编码器和解码器。

在图像patch的嵌入中加入位置嵌入，通过不同的策略在全局范围内保留空间/位置信息。在本文中，他们尝试了不同的空间信息编码方法，包括无位置信息编码、1D/2D位置嵌入编码和相对位置嵌入编码。

一个有趣的发现是，与一维位置嵌入相比，二维位置嵌入并没有带来显著的性能提升。

数据集

该模型是从多个大型数据集上删除了重复数据预训练得到的，以支持微调(较小数据集)下游任务。

ILSVRC-2012 ImageNet数据集有1k类和130万图像
ImageNet-21k具有21k类和1400万图像
JFT拥有18k类和3.03亿高分辨率图像

模型的变体

像其他流行的Transformer 模型(GPT、BERT、RoBERTa)一样，ViT(vision transformer)也有不同的模型尺寸(基础型、大型和巨大型)和不同数量的transformer层和heads。例如，ViT-L/16可以被解释为一个大的(24层)ViT模型，具有16×16的输入图像patch大小。
注意，输入的patch尺寸越小，计算模型就越大，这是因为输入的patch数目N = HW/P*P，其中(H,W)为原始图像的分辨率，P为patch图像的分辨率。这意味着14 x 14的patch比16 x 16的图像patch在计算上更昂贵。

Benchmark结果

以上结果表明，该模型在多个流行的基准数据集上优于已有的SOTA模型。
在JFT-300M数据集上预训练的vision transformer(ViT-H/14, ViT-L/16)优于所有测试数据集上的ResNet模型(ResNet152x4，在相同的JFT-300M数据集上预训练)，同时在预训练期间占用的计算资源(TPUv3 core days)大大减少。即使是在ImageNet-21K上预训练的ViT也比基线表现更好。

模型性能 vs 数据集大小

上图显示了数据集大小对模型性能的影响。当预训练数据集的大小较小时，ViT的表现并不好，当训练数据充足时，它的表现优于以前的SOTA。

哪种结构更高效？

如一开始所提到的，使用transformer进行计算机视觉的架构设计也有不同，有的用Transformer完全取代CNNs (ViT)，有的部分取代，有的将CNNs与transformer结合(DETR)。下面的结果显示了在相同的计算预算下各个模型结构的性能。

以上实验表明：

纯Transformer架构(ViT)在大小和计算规模上都比传统的CNNs (ResNet BiT)更具效率和可扩展性
混合架构(CNNs + Transformer)在较小的模型尺寸下性能优于纯Transformer，当模型尺寸较大时性能非常接近

ViT (vision transformer)的重点

使用Transformer架构(纯或混合)
输入图像由多个patch平铺开来
在多个图像识别基准上击败了SOTA
在大数据集上预训练更便宜
更具可扩展性和计算效率

DETR

DETR是第一个成功地将Transformer作为pipeline中的主要构建块的目标检测框架。它与以前的SOTA方法(高度优化的Faster R-CNN)的性能匹配，具有更简单和更灵活的pipeline。

上图为DETR，一种以CNN和Transformer为主要构建块的混合pipeline。以下是流程：

CNN被用来学习图像的二维表示并提取特征
CNN的输出是扁平化的，并辅以位置编码，以馈入标准Transformer的编码器
Transformer的解码器通过输出嵌入到前馈网络(FNN)来预测类别和包围框

更简单的Pipeline

传统的目标检测方法，如Faster R-CNN，有多个步骤进行锚的生成和NMS。DETR放弃了这些手工设计的组件，显著地简化了物体检测pipeline。

当扩展到全景分割时，惊人的结果

在这篇论文中，他们进一步扩展了DETR的pipeline用于全景分割任务，这是一个最近流行和具有挑战性的像素级识别任务。为了简单解释全景分割的任务，它统一了2个不同的任务，一个是传统的语义分割(为每个像素分配类标签)，另一个是实例分割(检测并分割每个对象的实例)。使用一个模型架构来解决两个任务(分类和分割)是非常聪明的想法。

上图显示了全景分割的一个例子。通过DETR的统一pipeline，它超越了非常有竞争力的基线。

注意力可视化

下图显示了Transformer解码器对预测的注意力。不同物体的注意力分数用不同的颜色表示。

通过观察颜色/注意力，你会惊讶于模型的能力，通过自注意在全局范围内理解图像，解决重叠的包围框的问题。尤其是斑马腿上的橙色，尽管它们与蓝色和绿色局部重叠，但还是可以很好的分类。

DETR的要点

使用Transformer得到更简单和灵活的pipeline
在目标检测任务上可以匹配SOTA
并行的更有效的直接输出最终的预测集
统一的目标检测和分割架构
大目标的检测性能显著提高，但小目标检测性能下降

Image GPT

Image GPT是一个在像素序列上用图像补全训练的GPT-2 transformer 模型。就像一般的预训练的语言模型，它被设计用来学习高质量的无监督图像表示。它可以在不知道输入图像二维结构的情况下自回归预测下一个像素。
来自预训练的图像GPT的特征在一些分类基准上取得了最先进的性能，并在ImageNet上接近最先进的无监督精度。
下图显示了由人工提供的半张图像作为输入生成的补全模型，随后是来自模型的创造性补全。