学习记录——SpectFormer、DilateFormer、ShadowFormer、MISSFormer

SpectFormer: Frequency and Attention is what you need in a Vision Transformer, arXiv2023

  频域混合注意力SpectFormer 2023

论文：https://arxiv.org/abs/2304.06446
代码：https://badripatro.github.io/SpectFormers/

   摘要视觉变压器已经成功地应用于图像识别任务中。已有类似于原文模型的基于多头自注意的研究(ViT[14]、DeIT[53])，或最近基于谱层的研究(Fnet[29]、GFNet[47]、AFNO[17])。我们假设谱注意力和多头注意力都起主要作用。我们通过这项工作研究了这一假设，并观察到谱和多头注意层的结合确实提供了更好的变压器架构。因此，我们提出了一种结合了频谱层和多头注意层的变压器的新频谱结构。我们相信结果表示允许转换器适当地捕获特征表示，并且它比其他转换器表示产生更好的性能。例如，与GFNet-H和LiT相比，它在ImageNet上提高了2%的top-1精度。specformer - s在ImageNet- 1k上达到了84.25%的top-1精度(小版本的最新水平)。

  此外，specformer - l达到了85.7%，这是同类基础版变压器的最新水平。我们进一步确保在其他场景中获得合理的结果，例如在标准数据集(如CIFAR-10、CIFAR-100、Oxford-IIIT-flower和stanford Car数据集)上的迁移学习。然后，我们研究了它在MS-COCO数据集上的下游任务(如对象检测和实例分割)中的使用情况，并观察到specformer显示出与最佳骨干网相当的一致性能，并且可以进一步优化和改进。因此，我们认为结合光谱层和注意层是视觉变压器所需要的。

  在文本模型中，既有类似于原始工作的基于多头自我注意的（ViT，DeIT），也有最近基于光谱层的（Fnet，GFNet，AFNO）。受光谱和层次Transformer相关工作的启发，论文观察到光谱和多头注意力层的结合能提供更好的Transformer架构，因此提出SpectFormer，使用傅立叶变换实现的光谱层来捕捉架构初始层中的相关特征。 此外，在网络的深层使用多头自我注意。 SpectFormer架构简单，它将图像标记转换到傅立叶域，然后使用可学习的权重参数应用门控技术，最后进行傅立叶逆变换以获取信号。 SpectFormer结合了光谱注意力和多头注意力。

网络结构

总
  SpectFormer架构包括贴片嵌入层，后面是位置嵌入层，然后是变换器块，然后是分类头。Transformer块包括一系列光谱层，后面是关注层。图像被分割成一系列补丁，得到使用线性投影层的贴片嵌入。其中，位置嵌入使用标准的位置编码层。
  其实这里我觉得网络总体跟Vit是类似的，中间的Transformer Block块有很大的改变。

Spectral Block

  光谱层的目的是捕捉图像的不同频率分量，以理解局部频率。这可以使用频谱门控网络来实现，该频谱门控网络包括快速傅立叶变换（FFT）层，然后是加权门控，然后是逆FFT层。频谱层使用FFT将物理空间转换为频谱空间。使用可学习的权重参数来确定每个频率分量的权重，以便适当地捕捉图像的线条和边缘。频谱层使用快速傅立叶逆变换（IFFT）将频谱空间带回物理空间。在IFFT之后，频谱层具有用于信道混合的层归一化和多层感知器（MLP）块，而令牌混合使用spectral门控技术来完成。

Attention Block

  SpectFormer的注意力层是一个标准的注意力层，包括层规范化，然后是多头自注意（MHSA），然后是层规范化和MLP。MHSA架构与DeIT注意力架构的相似之处在于，MHSA用于注意力层中的令牌混合，MLP用于信道混合。

SpectFormer Block

  SpectFormer块如图1所示，处于分阶段体系结构中。在SpectFormer块中引入了一个因子，它控制光谱层和注意力层的数量。如果α=0，SpectFormer包括所有注意力层，类似于DeIT-s，而当α值为12时，SpectFormer变得类似于GFNet，具有所有光谱层。必须注意的是，所有注意力层都具有无法准确捕捉局部特征的缺点。类似地，所有光谱层都具有全局图像属性或语义特征无法准确处理的缺点。SpectFormer提供了改变光谱和注意力层数量的灵活性，这有助于准确捕捉全局属性和局部特征。SpectFormer考虑了局部特征，这有助于捕获初始层中的局部频率以及更深层中的全局特征。

  概述：本文分别探索了频域和多头自注意力层的作用效果。之前的Transformer网络要么只使用全注意力层，要么只使用频域层，在图像特征提取方面存在各自的局限性。本文提出了一种新型的混合Transformer架构，即将这两个方面结合起来，提出了Spectformer模型。Spectformer显示出比先前模型更加稳定的性能。除了在传统的视觉任务上可以获得SOTA性能之外（在ImageNet-1K数据集上实现了85.7%的Top-1识别准确率），作者还认为，将Spectformer应用到一些频域信息更加丰富的领域上（例如遥感和医学图像数据），可能会激发出混合频域层和注意力层更大的潜力。

DilateFormer Multi-Scale Dilated Transformer for Visual Recognition

DilateFormer:用于视觉识别的多尺度扩张变换器 TMM 2023

  作为一个事实上的解决方案，香草视觉变换器（ViTs）被鼓励在任意图像斑块之间建立长距离的依赖关系，而全局关注的接受场会导致二次计算成本。视觉变换器的另一个分支是利用CNN启发的局部注意，它只对小范围内的斑块之间的相互作用进行建模。虽然这样的解决方案降低了计算成本，但它自然会受到小的受体场的影响，这可能会限制性能。在这项工作中，我们探索了有效的视觉变换器，以便在计算复杂性和出席的感受区的大小之间寻求一个理想的权衡。通过分析ViTs中全局注意力的补丁交互，我们观察到浅层中的两个关键属性，即局部性和稀疏性，表明ViTs浅层中全局依赖性建模的冗余性。因此，我们提出了多尺度扩张注意（MSDA）来模拟滑动窗口内的局部和稀疏的斑块互动。通过金字塔结构，我们在低级阶段堆叠MSDA块，在高级阶段堆叠全局多头自我注意块，从而构建了一个多尺度稀释变换器（DilateFormer）。

  通过分析传统ViT全局注意力中Image Patch的相互作用，作者发现网络浅层的注意力矩阵有2个特点：局部性、稀疏性。

滑窗空洞注意力（Sliding Window Dilated Attention，SWDA）

  滑窗空洞注意力思想非常简单，主要是受空洞卷积的启发，以Query为中心，并利用空洞方式进行采样Key和Value，从而既扩大了窗口注意力感受野，又不增加计算成本。公式如下

多尺度空洞注意力（Multi-Scale Dilated Attention，MSDA）

网络结构

  个人感觉就就是对原始的多头注意力的输入k、v用空洞卷积再送入多头注意力。然后使用不同的空洞率，对输出结果进行cat，再降维。还没看代码，不一定对。

ShadowFormer: Global Context Helps Image Shadow Removal

AAAI 2023
引入了一种基于Retinex的阴影模型，提出了一种新的基于多尺度通道注意力框架的阴影去除Transformer(ShadowFormer)。

网络结构 ：总体架构是一个Encoder-Decoder的结构，在Encoder和Decoder都堆叠使用通道注意力来获得多尺度特征。同时在中间使用提出的Shadow-Interaction Module,每次特征图大小缩小到一半，通道数扩大一倍。

   对输入带阴影的图像Is（Is ∈ R3×H×W ）和阴影区域掩码Im（Im ∈ RH×W ），经过一个线性投影LinearProj(·)得到输入的底层特征嵌入，记为 X0 ∈ RC×H×W，其中C为嵌入维数。然后将嵌入的X0输入到基于CAtransformer的encoder/decoder中，每个 encoder由L个CA模块组成，用于堆叠多尺度全局特征。每个 **CA模块包括两个CA块 **，以及编码器中的下采样层或解码器中的上采样层，如下图a所示。CA块通过CA依次压缩空间信息，并通过前馈MLP捕获远程相关性。

  Shadow-Interaction Module模块中采用了类似窗口注意力的架构，使用池化操作减少了计算量，使用了异或操作来帮助获得更显著的权重。

MISSFormer: An Effective Transformer for 2D Medical Image Segmentation

2023 TMI
  基于抽象转换的方法最近在视觉任务中很流行，因为它们能够单独对全局依赖关系进行建模。然而，由于缺乏对局部上下文的建模和多尺度特征的全局-局部关联，限制了网络的性能。在本文中，我们提出了一种医学图像分割转换器misformer。misformer是一种分层编码器-解码器网络，有两个吸引人的设计:1)重新设计了u形编码器-解码器结构变压器块中的前馈网络ReMix-FFN，它通过重新整合局部上下文和全局依赖关系来探索全局依赖关系和局部上下文，从而更好地识别特征;2)提出了一种混合变压器上下文桥，用于提取分层变压器编码器生成的多尺度特征中的全局依赖关系和局部上下文之间的相关性。在医学图像分割中，MISSFormer显示出捕获更多判别依赖关系和上下文的强大能力。在多器官分割、心脏分割和视网膜血管分割任务上的实验证明了该算法的优越性、有效性和鲁棒性。具体来说，从头开始训练的misformer的实验结果甚至优于在ImageNet上预训练的最先进的方法，并且其核心设计可以推广到其他视觉分割任务中。

网络结构

  它是一种分层encoder-decoder架构，在encoder和decoder之间附加了一个Enhanced Transformer Context Bridge block。具体来说，给定一个输入图像，MISSFormer首先将其划分为大小为4*4的重叠斑块，以保持其与卷积层的局部连续性。然后，将重叠的小块输入encoder，得到多尺度特征。在这里，encoder是分层的，每个阶段包括Enhanced Transformer Block和Overlap Patch Merging。改进后的transformer在计算复杂度有限的情况下学习了长期依赖关系和局部上下文，Overlap Patch Merging生成下采样特征。MISSFormer使生成的多尺度特征通过Enhanced Transformer Context Bridge获取不同尺度特征的局部和全局相关性。在实际应用中，将不同层次的特征在空间维度上进行扁平化，在信道维度上进行重塑，使其在平面上进行拼接。

对于分割预测，MISSFormer将discriminative features 和 skip connections作为decoder的输入。每个解码器阶段包括Enhanced Transformer Block和Patch Expanding。与Overlap Patch Merging相反，Patch Expanding上采样相邻特征映射到原始分辨率的两倍，除了最后一个是四倍。最后，通过线性投影输出像素级分割预测。

Transformer Block with ReMix-FFN

  Enhanced Transformer Block由LayerNorm、Efficient Self-Attention和Enhanced Mix-FFN组成。

ReMix-FFN

(a) LocalViT中的残差块[32]，(b)提出ReMix-FFN， ©递归步进ReMix-FFN

ReMixed transformer context bridge

  如图所示，将patch送入encoder后得到多阶段特征图，encoder每阶段的patch归并，通道深度设置与SegFormer保持一致。在分层编码器生成的多级特征F1、F2、F3、F4的基础上，将它们在空间维度上展平并重构，使它们保持相同的信道深度，然后将它们展平的空间维度上进行连接，将连接的token输入到Enhanced Transformer Block中，构建远程依赖关系和局部上下文相关关系。

End

  以上仅作个人学习记录使用