Vision Transformers for Dense Prediction

Vision Transformers for Dense Prediction

论文链接：https://arxiv.org/abs/2103.13413v1
论文代码：https://github.com/isl-org/DPT

Abstract

本文引入dense vision transformers，它用vision transformers 代替卷积网络作为密集预测（dense prediction）任务的主干。将来自 Vision Transformer 各个阶段的token组装成各种分辨率的类似图像的表示，并使用卷积解码器将它们逐步组合成全分辨率预测。Transformer 主干以恒定且相对较高的分辨率处理表示，并且在每个阶段都具有全局感受野。与全卷积网络相比，这些属性允许密集视觉 Transformer 提供更细粒度和更全局连贯的预测。在深度估计和语义分割的任务中，模型都有更好的表现。

Introduction

卷积网络：

• 将网络分为encoder和decoder，encoder通常基于图像分类网络，也称为主干，它是在一个大型语料库(如ImageNet)上进行预训练的。decoder聚合来自encoder的特征，并将其转换为最终的密集预测 。
• 卷积骨干逐步下采样输入图像，提取多尺度特征。下采样逐步增加感受野，将低级特征分组为抽象的高级特征，同时确保网络的内存和计算需求保持易于处理。
• 缺点：在encoder中进行下采样时，特征分辨率和粒度在模型的更深阶段丢失，因此很难在解码器中恢复。但理想情况下，应该以接近输入图像的分辨率来解析特征。

DPT（dense prediction transformer）：

• 基于编码器-解码器设计，利用Transformer作为编码器的基本计算构建块
• 使用ViT作为主干架构
• 将由ViT提供的bag-of-words representation重组为各种分辨率下的类图像特征表示，并使用卷积decoder逐步将这些特征表示组合到最终的密集预测中
• ViT主干在计算初始图像嵌入后放弃显式的降采样操作，并在所有处理阶段中保持不变的维数表示
• 在每个阶段都有一个全局感受野

Architecture

Transformer encoder

在高层次上，ViT对图像的bag-of-words representation进行操作：

• image patch被单独嵌入特征空间，或者从图像中提取深度特征，充当文字word的角色。把嵌入的word称为token（orange）。
• Transformer使用串联的多头自注意(MHSA)转换token集合，token彼此关联以转换表示。

Embed

• 方式1：ViT通过处理图像中所有大小为$p^2$像素的非重叠正方形patch，从图像中提取一个patch嵌入。这些patch被压平成矢量，并使用线性投影分别嵌入。
• 方式2：通过对图像应用ResNet50来提取嵌入，并使用生成的特征映射的像素特征作为token。
• Transformer不保留单个token的空间位置信息。因此，图像嵌入与可学习的位置嵌入相连接，以将该信息添加到表示中。
• ViT添加一个不是基于输入图像的特殊的token（readout token），作为用于分类的最终全局图像表示（red)。
• 大小为H*W像素的图像embed后的输出是一个token的集合，记为$t^0$。 $t^0=\{t_0^0,...,t_{N_p}^0\},t_n^0\in {\mathbb{R}}^D$，其中$N_p=HW/p^2$，$t_0$:readout token，D：每个token的特征维数。

Transformer

• 输入token通过L个transformer层转换为新的表示$t^l$，其中l表示第l个transformer层的输出。
• 变体1：ViT -base，它使用了基于patch的嵌入程序，具有12个transformer层，D=768。
• 变体2：ViT-Large，采用相同的嵌入程序，有24个transformer层，特征尺寸D更宽，为1024。
• 变体3：Vit - hybrid，它使用ResNet50来计算图像嵌入，然后使用12个转换器层，以输入分辨率的1/16提取特征
• 在所有实验中使用patch大小p = 16
• ViT -base和ViT-Large中的特征维度D都大于输入patch中像素的数量，这意味着如果对任务有益，embed过程可以学会保留信息。从输入patch中得到的特征原则上可以以像素级的精度处理。

ViT编码器在所有transformer阶段都保持初始嵌入的空间分辨率:

• 原因1：Transformer在所有计算中保持token的数量不变
• 原因2：token与图像patch具有一对一的对应关系

在初始嵌入后的每一阶段，转换器都有一个全局的感受野：

• 原因：每一个token都可以关注并影响每一个其他token

Convolutional decoder

decoder将一组token组合成各种分辨率下的类似图像的特征表示,特征表示逐渐fuse到最终的密集预测中。本文提出了一个简单的三阶段重组操作，从transformer编码器的任意层的输出token恢复类似图像的表示:

$Reassembl{e}_s^{\hat{D}}(t)=(Resamples\circ Concatenate\circ Read)(t)$
s:输出表示的大小与输入图像大小的比例
$\hat{D}$:输出特征的维度

• 将$N_p+1$个token映射到$N_p$个token，这些token可以被连接成类图像表示Read:${\mathbb{R}}^{(N_p+1)\times D}$$\to$${\mathbb{R}}^{N_p\times D}$
  Read用于处理readout token，使用三种映射方式：
  ①忽略readout token：$Rea{d}_{ignore}(t)=\{t_1,...,t_{N_p}\}$
  ②将representation相加：$Rea{d}_{add}(t)=\{t_1+t_0,...,t_{N_p}+t_0\}$
  ③通过将readout连接到所有其他token，将信息传递给其他token，然后使用线性层和GELU非线性将表示投射到原始特征维度D。
  $Rea{d}_{proj}(t)=\{mlp(cat(t_1;,t_0)),...,mlp(cat(t_{N_p}，t_0))\}$

• 在read block之后，通过根据初始patch在图像中的位置放置每个token，将产生的$N_p$个token重塑为类似图像的表示。使用一个空间连接操作，得到大小为$\frac{H}{p}\times \frac{W}{p}$，通道数为D的特征映射。
  Concatenate:${\mathbb{R}}^{N_p\times D}$$\to$${\mathbb{R}}^{\frac{H}{p}\times \frac{W}{p}\times D}$

• 将此表示传递到一个空间重采样层，缩放大小至$\frac{H}{s}\times \frac{W}{s}$，每像素具有$\hat{D}$个特征
  ①首先$1\times 1$卷积将输入表示映射到$\hat{D}$，之后如果s$\ge$p，使用(strided) $3\times 3$卷积下采样，如果 s < p， 使用（strided）$3\times 3$ 转置卷积上采样。
  ②在四个不同的阶段和四种不同的分辨率重新组合特征。我们以较低的分辨率聚合来自transformer较深层的特征，而以较高的分辨率聚合来自较浅层的特征。当使用Vit-large时，从层l= {5 12 18 24}重新集合token;而对于Vit-base，使用层l ={3 6 9 12}。使用ViT-Hybrid时,使用来自嵌入网络的第一个和第二个ResNet块的特征和l ={9 12}的token 。默认使用投影作为readout操作，并取$\hat{D}$=256。分别将这些架构称为DPT-Base、DPT-Large和DPT-Hybrid。

• 利用基于refine-net的特征融合，将连续阶段提取的特征映射结合起来，并在每个融合阶段逐步以2倍向上取样。最终的表示尺寸只有输入图像分辨率的一半。我们附加一个特定于任务的输出头来产生最终的预测。

Handling varying image sizes

类似于完全卷积网络，DPT可以处理不同大小的图像。只要图像大小能被p整除，就可以应用嵌入程序，产生不同的图像token的数量$N_p$。作为一种set-to-set的体系结构，transformer encoder可以简单地处理不同数量的token。但是，位置嵌入依赖于图像的大小，因为它对输入图像中的patch的位置进行编码。我们遵循ViT中提出的方法，将位置嵌入线性插值到适当的大小。上述操作可以在每个图像上动态完成。在嵌入过程和转换阶段之后，只要输入图像与卷积解码器(32像素)的步幅对齐，重组和融合模块都可以简单地处理不同数量的token。

Experiments

Monocular Depth Estimation

• Loss: a scale- and shift-invariant trimmed loss that operates on an inverse depth representation, together with the gradient-matching loss （Learning single-view depth prediction from Internet photos）
  
  
  

Semantic Segmentation

• Loss: employ a cross-entropy loss and add an auxiliary output head together with an auxiliary loss to the output of the penultimate fusion layer

用开源模型跑得到的结果，左：输入原图，中：深度估计，右：语义分割

参考文章：https://blog.csdn.net/weixin_42821501/article/details/117226132