【论文笔记】PVT系列论文阅读笔记
PVT系列论文阅读笔记，包含PVTv1和PVTv2。
目录
一、PVTv1
一、引言
二、网络结构
1、 Feature Pyramid for Transformer
2、Spatial Reduction Attention
3、网络结构
三、实验结果
1、图像分类
2、目标检测和实例分割
3、语义分割
二、PVTv2
一、引言
二、网络
1、Overlapping Patch Embedding
2、Convolutional Feed-Forward
3、Linear Spatial Reduction Attention
4、网络结构
三、实验结果
1、图像分类
2、目标检测实例分割
一、PVTv1
论文：Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions
ViT适用于处理图像分类任务，但是不适合直接应用到密集预测任务，因为ViT的输出分辨率较低（number of patches）。PVT（Pyramid Vision Transformer）通过巧妙地设计，可以输出高分辨率的特征图，同时引入了SRA（spatial reduction attention）来减少计算量。类似CNN，PVT输出多分辨率特征图，可应用于各类下游任务（语义分割、目标检测等）。
一、引言
ViT已经成功的应用于图像分类任务中，但是无法直接用到语义分割和目标检测等任务中，主要原因有2点：
（1）输出特征图分辨率固定，而且分辨率小；
（2）对于正常大小的图片（例如短边长度800个像素的图片），计算成本相对较高；
为了解决上述的限制，作者提出了PVT（Pyramid Vision Transformer），PVT可以替代CNN 的backbone处理多种下游任务（语义分割、目标检测等），PVT主要包含以下几点改进：
（1）PatchEmbedding生成更多的patch，来得到高分辨率特征图用于下游任务；
（2）类似CNN backbone，随着网络加深减少特征图分辨率，同时减少了计算量；
（3）使用SRA（spatial reduction attention）减少计算量；
二、网络结构
1、 Feature Pyramid for Transformer
类似CNN能够通过不同的卷积步长得到不同尺度的特征图，PVT利用PatchEmbedding中的步长来减少特征图的分辨率。
假设输入特征图的维度为[N, C, H, W]， 当PatchEmbedding的patch_size为P，那么输出的特征图维度为[N, C, H/P, W/P]，由此可以降低特征图的分辨率。
PatchEmbedding代码如下：
class PatchEmbed(nn.Module):
""" Image to Patch Embedding
"""
def __init__(self, img_size=224, patch_size=16, in_chans=3, embed_dim=768):
super().__init__()
img_size = to_2tuple(img_size)
patch_size = to_2tuple(patch_size)
self.img_size = img_size
self.patch_size = patch_size
assert img_size[0] % patch_size[0] == 0 and img_size[1] % patch_size[1] == 0, \
f"img_size {img_size} should be divided by patch_size {patch_size}."
self.H, self.W = img_size[0] // patch_size[0], img_size[1] // patch_size[1]
self.num_patches = self.H * self.W
self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)
self.norm = nn.LayerNorm(embed_dim)
def forward(self, x):
B, C, H, W = x.shape
x = self.proj(x).flatten(2).transpose(1, 2)
x = self.norm(x)
H, W = H // self.patch_size[0], W // self.patch_size[1]
return x, (H, W)2、Spatial Reduction Attention
为了减少Attention的计算量，PVT提出了一个简单有效的方法，假设Q\K\V的维度为[H*W, C]，为了减少计算量，引入缩放因子R，将K\V的维度先变为[H*W/
, RC]，然后通过全连接层变为[H*W/, C]，从而减少了计算量（实现的时候可以用卷积设置卷积核和步长为R，那么可以直接将维度从[H*W, C]变为 [H*W/, C]）。
代码：
class Attention(nn.Module):
def __init__(self, dim, num_heads=8, qkv_bias=False, qk_scale=None, attn_drop=0., proj_drop=0., sr_ratio=1):
super().__init__()
assert dim % num_heads == 0, f"dim {dim} should be divided by num_heads {num_heads}."
self.dim = dim
self.num_heads = num_heads
head_dim = dim // num_heads
self.scale = qk_scale or head_dim ** -0.5
self.q = nn.Linear(dim, dim, bias=qkv_bias)
self.kv = nn.Linear(dim, dim * 2, bias=qkv_bias)
self.attn_drop = nn.Dropout(attn_drop)
self.proj = nn.Linear(dim, dim)
self.proj_drop = nn.Dropout(proj_drop)
self.sr_ratio = sr_ratio
if sr_ratio > 1: # 维度衰减比例R
self.sr = nn.Conv2d(dim, dim, kernel_size=sr_ratio, stride=sr_ratio)
self.norm = nn.LayerNorm(dim)
def forward(self, x, H, W):
B, N, C = x.shape
q = self.q(x).reshape(B, N, self.num_heads, C // self.num_heads).permute(0, 2, 1, 3)
if self.sr_ratio > 1:
x_ = x.permute(0, 2, 1).reshape(B, C, H, W)
x_ = self.sr(x_).reshape(B, C, -1).permute(0, 2, 1)
x_ = self.norm(x_)
kv = self.kv(x_).reshape(B, -1, 2, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
else:
kv = self.kv(x).reshape(B, -1, 2, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
k, v = kv[0], kv[1]
attn = (q @ k.transpose(-2, -1)) * self.scale
attn = attn.softmax(dim=-1)
attn = self.attn_drop(attn)
x = (attn @ v).transpose(1, 2).reshape(B, N, C)
x = self.proj(x)
x = self.proj_drop(x)
return x
3、网络结构
下图为网络的结构，PVT可以得到各不同分辨率的特征图，类似于CNN backbone，PVT可以作为各下游任务的通用backbone。
网络的具体参数如下（R表示Attention的空间衰减比例，N表示num of heads，E表示Transformer模块中mlp的维度扩张比例）：
三、实验结果
1、图像分类
PVT在ImageNet-1K数据上的表现。
2、目标检测和实例分割
PVT在coco2017数据集上的表现。
3、语义分割
PVT在ADE20K数据集上的表现。
二、PVTv2
论文：PVTv2: Improved Baselines with Pyramid Vision Transformer
与PVTv1相比，PVTv2做了3点改进：
（1）overlap patch embedding;
（2）前向传播加入卷积层；
（3）进一步减少attention计算量；
一、引言
PVTv1有3个缺陷：
（1）类似于ViT，PVTv1使用non-overlapping patch embedding；
（2）PVTv1的位置编码维度固定，对任意尺寸的输入不友好；
（3）计算量大；
为了改进以上缺点，PVTv2做了以下改进：
（1）Overlapping Patch Embedding；
（2）移除位置编码，在前向传播中加入卷积；
（3）提出Linear Spatial Reduction Attention。
二、网络
通过对PVTv1进行3种改进，可以得到以下提升：
（1）获得图像和特征图局部联系；
（2）可以处理各种分辨率的输入；
（3）和CNN一样的线性计算复杂度；
1、Overlapping Patch Embedding
通过卷积实现overlapping patch embedding，只需要调整卷积核大小和卷积步长即可实现。
2、Convolutional Feed-Forward
位置编码的存在使得网络对不同大小的输入不友好，移除位置编码，同时在前向传播的mlp模块中加入卷积（使用深度可分离卷积减少计算量）来提取像素之间的位置关系信息。
代码如下：
class Mlp(nn.Module):
def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0., linear=False):
super().__init__()
out_features = out_features or in_features
hidden_features = hidden_features or in_features
self.fc1 = nn.Linear(in_features, hidden_features)
self.dwconv = DWConv(hidden_features)
self.act = act_layer()
self.fc2 = nn.Linear(hidden_features, out_features)
self.drop = nn.Dropout(drop)
self.linear = linear
if self.linear:
self.relu = nn.ReLU(inplace=True)
self.apply(self._init_weights)
def forward(self, x, H, W):
x = self.fc1(x)
if self.linear:
x = self.relu(x)
x = self.dwconv(x, H, W)
x = self.act(x)
x = self.drop(x)
x = self.fc2(x)
x = self.drop(x)
return x3、Linear Spatial Reduction Attention
为了减少Attention计算量，提出LSRA（Linear Spatial Reduction Attention），SRA利用卷积减少特征图分辨率来降低计算量，LSRA通过平均池化减少计算量。
具体计算复杂度如下式：
4、网络结构
下表为网络结构，字母含义见下下图。
上图各字母含义：
三、实验结果
1、图像分类
ImageNet-1K分类准确率。
2、目标检测实例分割
coco2017数据集表现如下。
