【论文解读】DaViT：Dual Attention Vision Transformers

DaViT是香港大学和微软等研究机构在近期新发布的一个Vision Transformer模型，这个工作的创新之处是提出了一种双注意力机制（dual attention）来高效地实现全局建模，其中最大的模型DaViT-Giant在ImageNet1K数据集上达到了90.4%的Top1 Accuracy，超过了之前的SwinV2（90.17%）。

这里的双attention是从两个正交的角度来进行self-attention：一是对spatial tokens进行self-attention，此时空间维度（）定义了tokens的数量，而channel维度（）定义了tokens的特征大小，这其实也是ViT最常采用的方式；二是对channel tokens进行self-attention，这和前面的处理完全相反，此时channel维度（）定义了tokens的数量，而空间维度（）定义了tokens的特征大小。可以看出两种self-attention完全是相反的思路。为了减少计算量，两种self-attention均采用分组的attention：对于spatial tokens而言，就是在空间维度上划分成不同的windows，这就是Swin中所提出的window attention，论文称之为spatial window attention；而对于channel tokens，同样地可以在channel维度上划分成不同的groups，论文称之为channel group attention。这两种attention如下图所示：

两种attention能够实现互补：spatial window attention能够提取windows内的局部特征，而channel group attention能学习到全局特征，这是因为每个channel token在图像空间上都是全局的。DaViT和Swin一样采用金字塔结构，共包含4个stage，每个stage包含一定数量的dual attention block，这个block就是将两种attention（还包含FFN）交替地堆叠在一起，如下所示：

下面我们来介绍两种attention的具体实现细节。在开始之前，先回顾一下global self-attention。假定共有个patchs（特征图大小），每个patch的特征大小为（channel数量），所有的patchs的特征，那么self-attention的计算如下所示：

这里self-attention的head数量为，第个head的query，key和value通过线性投射得到：，它们的维度大小为，其中。这里省略attention之后的线性投射，所以共有4个线性投射，总的计算复杂度为，而attention的计算复杂度为，所以最终总的计算复杂度为。可以看到计算量与patchs总量的平方成正比，而patchs总量和图像大小线性相关，当图像大小增加时，global self-attention的计算量将大幅度增加。

采用spatial window attention可以减少上述计算量，这里将patchs按照空间结构划分成个window（比如7x7大小），每个window的patchs记为，这里。然后每个window里面的patchs单独进行self-attention：

此时每个window attention的attention部分的计算复杂度为，总的计算复杂度为。如果固定window大小，那么window attention的计算量就和patchs总量成线性关系。虽然window attention降低了计算量，但是也变成了一种local attention，因为不同的windows之间并没有信息交换，Swin通过复杂的shift window来实现这种信息交换。

而channel group attention可以实现全局的attention。首先将channel分成个group，每个group的channel数量为，这里有，那么channel group attention的计算如下所示：

这里的分别是query，key和value，注意这里还是按照channel维度来进行线性投射得到，而不是在spatial维度，因为这样权重是和图像的大小是无关的，模型可以适应任何大小的图像作为输入。在attention计算时，只需要将query，key和value的维度进行反转，即维度变成，就可以实现channel attention了，由于这里我们希望attention在空间维度是全局的，所以不采用multi-head attention，或者说只用一个head，另外注意这里的scale因子采用的是，而不是，因为后者是图像大小相关的。同样地，channel group attention也包含4个线性投射，其计算复杂度也是，而attention部分的计算复杂度为。channel group attention的主要实现代码如下所示：

class ChannelAttention(nn.Module):

    def __init__(self, dim, num_heads=8, qkv_bias=False):
        super().__init__()
        self.num_heads = num_heads # 这里的num_heads实际上是num_groups
        head_dim = dim // num_heads
        self.scale = head_dim ** -0.5

        self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
        self.proj = nn.Linear(dim, dim)

    def forward(self, x):
        B, N, C = x.shape
        # 得到query，key和value，是在channel维度上进行线性投射
        qkv = self.qkv(x).reshape(B, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
        q, k, v = qkv[0], qkv[1], qkv[2]

        k = k * self.scale
        attention = k.transpose(-1, -2) @ v # 对维度进行反转
        attention = attention.softmax(dim=-1)
        x = (attention @ q.transpose(-1, -2)).transpose(-1, -2)
        x = x.transpose(1, 2).reshape(B, N, C)
        x = self.proj(x)
        return x

这样对于dual attention，其总的attention计算量为，而线性投射的计算量为，当FFN的expand ratio为4时，FFN的计算量为。

此外，dual attention采用depth-wise conv来实现位置编码，以window attention为例，分别在self-attention和FFN之前均插入一个3x3 depth-wise conv，代码如下所示（channel attention也是如此）：

class SpatialBlock(nn.Module):
    r""" Windows Block.
    Args:
        dim (int): Number of input channels.
        num_heads (int): Number of attention heads.
        window_size (int): Window size.
        mlp_ratio (float): Ratio of mlp hidden dim to embedding dim.
        qkv_bias (bool, optional): If True, add a learnable bias to query, key, value. Default: True
        drop_path (float, optional): Stochastic depth rate. Default: 0.0
        act_layer (nn.Module, optional): Activation layer. Default: nn.GELU
        norm_layer (nn.Module, optional): Normalization layer.  Default: nn.LayerNorm
    """

    def __init__(self, dim, num_heads, window_size=7,
                 mlp_ratio=4., qkv_bias=True, drop_path=0.,
                 act_layer=nn.GELU, norm_layer=nn.LayerNorm,
                 ffn=True, cpe_act=False):
        super().__init__()
        self.dim = dim
        self.ffn = ffn
        self.num_heads = num_heads
        self.window_size = window_size
        self.mlp_ratio = mlp_ratio
        # conv位置编码
        self.cpe = nn.ModuleList([ConvPosEnc(dim=dim, k=3, act=cpe_act),
                                  ConvPosEnc(dim=dim, k=3, act=cpe_act)])

        self.norm1 = norm_layer(dim)
        self.attn = WindowAttention(
            dim,
            window_size=to_2tuple(self.window_size),
            num_heads=num_heads,
            qkv_bias=qkv_bias)

        self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()

        if self.ffn:
            self.norm2 = norm_layer(dim)
            mlp_hidden_dim = int(dim * mlp_ratio)
            self.mlp = Mlp(
                in_features=dim,
                hidden_features=mlp_hidden_dim,
                act_layer=act_layer)

    def forward(self, x, size):
        H, W = size
        B, L, C = x.shape
        assert L == H * W, "input feature has wrong size"

        shortcut = self.cpe[0](x, size) # depth-wise conv
        x = self.norm1(shortcut)
        x = x.view(B, H, W, C)

        pad_l = pad_t = 0
        pad_r = (self.window_size - W % self.window_size) % self.window_size
        pad_b = (self.window_size - H % self.window_size) % self.window_size
        x = F.pad(x, (0, 0, pad_l, pad_r, pad_t, pad_b))
        _, Hp, Wp, _ = x.shape

        x_windows = window_partition(x, self.window_size)
        x_windows = x_windows.view(-1, self.window_size * self.window_size, C)

        # W-MSA/SW-MSA
        attn_windows = self.attn(x_windows)

        # merge windows
        attn_windows = attn_windows.view(-1,
                                         self.window_size,
                                         self.window_size,
                                         C)
        x = window_reverse(attn_windows, self.window_size, Hp, Wp)

        if pad_r > 0 or pad_b > 0:
            x = x[:, :H, :W, :].contiguous()

        x = x.view(B, H * W, C)
        x = shortcut + self.drop_path(x)

        x = self.cpe[1](x, size) # 第2个depth-wise conv
        if self.ffn:
            x = x + self.drop_path(self.mlp(self.norm2(x)))
        return x, size

DaViT也采用金字塔结构：首先是一个patch embedding层，采用stride=4的7x7 conv，然后是4个stages，各个stages通过stride=2的2x2 conv来进行降采样。其中DaViT-Tiny，DaViT-Small和DaViT-Base三个模型的配置如下所示：

除了上面3个基础模型，论文还增加了另外3个更大的模型：

• DaViT-Large: C = 192, L = {1, 1, 9, 1}, Ng = Nh = {6, 12, 24, 48}

• DaViT-Huge: C = 256, L = {1, 1, 9, 1}, Ng = Nh = {8, 16, 32, 64}

• DaViT-Giant: C = 384, L = {1, 1, 12, 3}, Ng = Nh = {12, 24, 48, 96}

其中DaViT-Giant参数量达到了4B。

下表为DaViT和其它模型在ImageNet1K上的分类结果对比，可以看到DaViT在同样的参数量和FLOPs超过其它模型如Swin，Focal和PVTv2。其中最大的模型DaViT-Giant在1.5B的图像-文本对数据集上预训练后，可以在ImageNet1K数据集上达到90.4%。

在下游检测任务上，DaViT也超过其它模型，DaViT的一个明显优势当模型增大时，性能是稳步提升的，但是其它模型如Swin和Focal，Base模型效果反而比Small模型要差一些。

同样地，在语义分割数据集ADE20K上，DaViT也表现了较好的性能：

总体来看，DaViT是一个非常好的工作，相比其它local attention的模型，DaViT从设计上保证了全局建模。DaViT的双注意力机制和谷歌的MLP-Mixer有点类似，MLP-Mixer中包括两个不同的MLP：channel-mixing MLP和token-mixing MLP，其中token-mixing MLP也是通过反转维度来实现全局信息交互的，不过MLP的缺点是权重矩阵依赖输入大小，而attention没有这个问题