【Transformer】17、ATS: Adaptive Token Sampling For Efficient Vision Transformers

一、背景

尽管现有的 transformer 模型在分类等任务上取得了较好的效果，但计算量还是很高，需要很多的 GFLOPs，不适用于很多边缘设备，虽然GFLOPs 也可以通过降低网络中 token 数量来降低，DynamicViT 使用网络预测每个 token 的得分，从而判断哪个 token 是冗余的。虽然这个方法能够降低网络的 GFLOPs，但得分预测网络也会引入额外的参数，并且如果想要不同的降参比率需要再次进行训练。

二、动机

作者认为，对于分类任务，并非需要图中的所有信息来进行分类，因为图像的信息对分类任务来说是冗余的。所以本文提出了一个降低 token 数量的方法，可以适用于任何 transformer，不受降参比率限制，且更高效。

三、方法

作者提出了一种名为 " Adaptive Token Sampler (ATS) " 的模块，是一种动态的从输入 token 中选择重要的 token 的模块。也是一个 parameter-free 的方法，总体结构如图 2 所示。卷积网络中，一般会使用 pooling 来降低计算量，stage 越深，分辨率越小。但 Transformer 中不能直接使用这样的方法，因为 token 是与空间位置无关的，即改变位置不会影响最后的结果。而且如果使用下采样的话会有两个弊端，其一是会丢失目标的细节信息，其二是可能保留很多背景信息，对分类无实质性作用。所以作者提出了一种动态选择每个stage的token数量的方法。

ATS 的过程：

• 首先，对 N 个输入 token 分配得分，基于得分来确定哪些留下
• 然后，设定 K 为保留的 token 最大数量，这个 K 会决定 GFLOPs 的上限
• sampled tokens K’ 一般会比 K 小，且和输入图像的关系如图 6 所示

对于每个实例，图7展示了作者使用少数或多数的 patches ，就可以得到正确的分类，图 3 展示了不同每个 stage 使用的 token 数量。作者也提出了一个对每个图像选择正确 token 数量的方法。如图 6 所示，不同图像在不同stage的 token 数量是不同的。

3.1 Token Scoring

在标准的 self-attention 层，输入的 Q、K、V 都是从输入 token 得来的，然后会得到 attention matrix A：

由于 softmax 的存在，A 的每行和为 1，输出 token 会和 attention matrix 作用，从而加权。

A 的每行包含了输入 token 的 attention weights，这个 weights 其实就表示了所有 token 对输出 token 的作用，因为 A 的第一行是 cls token，表示了输入 token 对输出 classification token 的作用，所以作者使用第一行的元素作为修剪 A 的根据，如图 2 所示。作者也做了归一化，重要程度得分如下，对于多头注意力，分别对每个头进行计算，然后加起来：

3.2 Token Sampling

对每个 token 得到 score 之后，就可以根据 attention matrix A 对 tokens 进行修剪了。

一个比较基础的做法是直接选择 top-K 个 tokens，但是实验结果说明，这种方法没有动态选择 K’ 个 tokens 的效果好。其表现不好的原因在于，直接丢弃了所有得分低的token，但有些 token 其实在浅层可能会比较有用。

作者的抽样方法中，从几个相似的 token 中抽象的概率等于这些 token 的得分之和。而且从图 3 中也能看出，本文的抽样机制从浅层抽样的 token 数量比深层的更多一些。

方法：

因为 token score 是被归一化的，所以可以看出概率，可以计算累计密度函数（CDF）：

对 CDF 取反，就得到了采样函数：

四、效果