Bottleneck Transformers for Visual Recognition

谷歌和伯克利一起提出的Bottleneck Transformer（BoT）属于一种hybrid network，将cnn和transformer结合起来，以期达到比二者单独使用更好的效果。

BoT整体的想法其实比较简单，针对object detection、instance segmentation等对输入图像尺寸要求较高的任务，普通的transformer（ViT）计算量和显存占用都很难做到大分辨率输入，DeTR这一类网络则是直接采用了cnn输出的特征作为transformer的输入，无法实现端到端的训练。因此，BoT作者提出在resnet的bottleneck中直接用MHSA替换3x3卷积，也就是所谓的BoT block。在BoT block中，采用的依然是4倍的通道压缩率。

作者进行了一系列object detection的实验，证明了并非将所有的bottleneck都换成BoT效果是最好的，最终只替换了C5的三个bottleneck。这相比普通的resnet，其实改动量并不是那么大，而且个人感觉跟non-local network也很像。虽然作者在一开始就解释了BoT和non-local的区别，但其实都是实现细节上的，比如是否加入了position embedding，是plug-in还是replace等等，本质上的区别实际上不是很大。
最后就是实验效果，作者主打的是检测任务的backbone，一系列ablation study都是检测实验，既避开了跟检测的各类方法进行比较，也避开了跟其他backbone网络硬碰硬拼精度，也是很鸡贼了。在image recognition任务上，模仿EfficientNet，作者也加了很多训练的trick，比如large resolution，longer training，random augmentation等，最终精度84.7是刷的非常高了，跟efficientnet-b7 comparable了，对于后期想入坑做同样任务的工作来说是一个需要比较的非常强的baseline。不过我感觉一般同等计算量的情况下，比较到T3或T4就ok了吧。