【NeurIPS2022】ScalableViT: Rethinking the Context-oriented Generalization of Vision Transformer

【NeurIPS2022】ScalableViT: Rethinking the Context-oriented Generalization of Vision Transformer

这篇论文来自清华大学深圳研究生院和字节跳动。

从Swin开始，attention一般都包括局部 window attention 和 全局attention 两个部分。模型的改进一般有两个：局部注意力和全局注意力。这篇论文也是如此，整体框架如下图所示，核心包括：局部注意力 Interactive Window Self-Attention (IWSA) 和 全局注意力 Scalable Self-Attention (SSA) 两个部分。

Interactive Window Self-Attention (IWSA)

IWSA框架如下图所示，首先在局部窗口中分别计算 attention，然后将得到的结果拼接起来，得到Z。各个windows经过 FC 层得到的 value，合并在一起，使用 depth-wise conv 处理（作者称之为 local interactive module），得到Y。将 Z与Y相加，得到输出。

Scalable Self-Attention (SSA)

模块结构如下图所示，以前的PVT，只是对Q和K降维（spatial 降维）。在这里，作者不但对Q和K降维，还对V进行降维（channel降维），以达到 scalable 的目标。

关键就是看这个缩放怎么取值了。比较有趣的是，作者说，随着网络加深，图像块减少，冗余程度在减少，因此 $r_n$ 越往后越大。因为空间信息减少较多，需要通道增加来补偿，因此在 ScalableViT-S 和ScalableViT-B 中设置 $r_c\ge 1$，在 ScalableViT-L 中设置 $r_c<1$。具体如下表所示。