标题：Advancing Vision Transformers with Group-Mix Attention
论文：https://arxiv.org/pdf/2311.15157.pdf
源码：https://github.com/AILab-CVC/GroupMixFormer
导读
本文致力于解决 Vision Transformers（ViTs） 在视觉识别任务中采用的传统 Query-Key-Value（Q-K-V） 自注意机制存在的局限性。文章主张现有的自注意框架仅在单一粒度上捕捉了 token 之间的关联，忽略了 token 组之间的关联。
为解决这一问题，作者提出了 Group-Mix Attention（GMA） 作为传统自注意的先进替代方案。GMA 引入了一种机制，能够同时捕捉各种组大小的 token-to-token、token-to-group 以及 group-to-group 的关联。为实现这一目标，GMA 将 Query、Key 和 Value 进行划分，执行不同的组聚合并生成组代理。基于 token 和 group 代理的混合，计算了注意力图，有助于全面捕捉关联（全局注意力）。进一步地，基于 GMA 搭建了 GroupMixFormer，构成一个强大的骨干网络，在图像分类、目标检测和语义分割方面展现出比现有模型更好的性能，同时参数更少。
动机
老生常谈，ViTs 成功的一大关键要素得益于多头自注意力（MHSA）模块。MHSA 使得网络设计具备长距离依赖建模、全局感受野、灵活性和鲁棒性等优势。然而，如下图所示：
可以观察到，生成的注意力图仅捕捉了单一粒度上的 token 到 token 的关联，从而忽略了不同 token 组之间的关联。为解决这一局限性，本文提出了 Group-Mix Attention（GMA）。GMA 将 token 分割为片段，并通过组聚合器生成组代理替代一些个别 token。GMA旨在高效计算 token-to-token、token-to-group 以及 group-to-group的关联，提供更全面的建模方法。
在自注意力中，关注的焦点是token对之间的线性关系，而GMA引入了组代理的概念，使其能够在更高的层次上捕捉token组之间的关联。通过组代理，GMA能够在图像中的不同区域之间建立关联，而不仅仅是在个别tokens之间。这种设计使得GMA能够更全面地理解图像的结构信息，为视觉识别任务提供更强大的建模能力。图1(c)和(d)进一步说明了GMA在计算组到组关联时的具体步骤，突显了通过组代理和聚合实现的高效计算。这种设计使得GMA不仅能够更全面地捕捉tokens之间的关联，而且在计算效率上也具有优势。
方法
混合组注意力机制
首先，我们可以从以下几点简单分析下 GMA（Group-Mix Attention）的作用机制：
- 生成组代理： 首先，GMA引入了组代理的概念，通过替换Query、Key、和Value中的一些条目为整个组的聚合结果，这是通过滑动窗口操作（例如maxpooling、convolution等）高效实现的。这种替换将注意力从仅关注个别token扩展到了关注整个组。
- 关联不同大小组和个别token： GMA通过使用不同大小的聚合器，对不同大小的组进行混合，同时通过深度卷积实现聚合，使得模型可以有效地关联不同大小的组和个别token。这在视觉任务中特别重要，因为图像中的信息可能以不同大小的组织存在。
- 维持特征分辨率： 在聚合的过程中，GMA保持了特征的分辨率，确保在注意力计算中不降低空间分辨率。这意味着GMA为注意力计算提供了更细粒度的特征，相较于降低特征大小的方法具有更好的性能。
- 同时关联多个token： 由于输入是组代理，而不是单个token，GMA能够同时关联多个token，这在建模关联方面更为全面和充分。这是通过在计算中使用不同的核大小来实现的。
- 结合个别token和组： 最后，通过将注意力计算得到的映射与Value相乘，实现了将关联的组和个别token重新组合，从而更好地捕捉了图像中的结构信息。
总体来说，GMA通过引入组代理和巧妙的聚合操作，实现了对不同大小组和个别token关联的全面建模，从而提升了模型在视觉识别任务中的性能。这种机制使得模型能够更全面地捕捉图像中的结构信息，提高了对不同尺度和层次的视觉模式的敏感性，使得模型更加适应各种复杂的视觉场景。
网络架构
最后，基于 GMA，我们便可以构建出一个强大的骨干网络——GroupMixFormer！
1. 层级拓扑：基于提出的Group-Mix Attention（GMA），引入了一系列名为GroupMixFormer的视觉Transformer模型，模型采用了具有四个阶段的分层拓扑结构，与主流的ViT模型保持一致。
2. 图像嵌入层：模型的第一层是一个4×的图像嵌入层，将图像嵌入为tokens。此过程通过两个连续的3×3卷积层实现，每个卷积层的步幅为2，然后是另外两个3×3的卷积层，步幅为1。在每个最后的三个阶段的开始，使用了一个2×的图像嵌入，同样通过3×3卷积实现。
3. 编码器块：在每个阶段内，构建了多个编码器块。每个编码器块除了包含上一子节中介绍的GMA块之外，还包含了一个Feed-Forward Network（FFN）、Layer Normalization和identity快捷连接，这符合大多数网络架构的通用处理方法。
4. 输出层：对于图像分类任务，最终的输出tokens通过全局平均池化（GAP）后输入分类器；对于密集预测任务（例如目标检测和语义分割），各自任务的头部可以利用四个阶段输出的金字塔特征。
5. 位置编码：与一些Transformer模型不同，该模型没有采用位置编码，因为通过GMA聚合器，模型自然地破坏了排列不变性。
6. 不同配置的模型：模型实例化了四个不同配置的模型，这些配置的架构超参数包括每个阶段的编码器块数目L、嵌入维度D和MLP比例R，具体见下表。
伪代码实现
实验
分类/检测/分割
可视化分析
在Attention Visualization部分的可视化结果如上图所示，当中展示了输入图像(a)以及来自集成层的注意力响应图(b)。此外，还展示了来自前注意力分支和非注意力分支的输出的响应图(c)到(g)。
可以观察到，在应用自注意力于个别tokens时，有时会无法关注到对象，如(c)所示。在这种情况下，计算由聚合器生成的组代理之间的关联可能会有所帮助。例如，如第三行所示，通过处理由核大小为3和7的聚合器处理的组之间的关联，成功地集中注意力于狗，而在(c)中建模token-to-token的关联更多地关注背景。这些结果表明存在某些模式，因此应将一些tokens视为整体以捕捉对象特征。在GMA中，不同聚合器捕获的表示被组合在一起。这验证了全面建模token-to-token、token-to-group和group-to-group关联会导致更好的视觉识别。
总结
本文提出了一种先进的注意力机制 Group-Mix Attention（GMA）。与流行的多头自注意力相对，文本方法仅对个别token之间的关联进行建模不同，所提出的GMA利用了组聚合器同时捕捉token-to-token、token-to-group和group-to-group的关联。最后，基于GMA提出了GroupMixFormer，并实例化了一系列具有不同规模的实用视觉骨干网络。在标准的视觉识别基准上进行的广泛实验证明了所提出的GMA和GroupMixFormer的有效性，包括图像分类、目标检测和语义分割等任务。
作者：派派星
文章来源：CVHub
推荐阅读
- Yolo系列模型的部署、精度对齐与int8量化加速
- 一文综述，未来已来 | 视觉和大语言模型的未来是什么？必然结连理实现多模态大模型
- CVPR2023开源SOTA！用于实时激光雷达全景分割的中心聚焦网络
- MSLTNet开源 | 4K分辨率+125FPS+8K的参数量，怎养才可以拒绝这样的模型呢？
更多嵌入式AI干货请关注嵌入式AI专栏。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
