论文笔记：Not All Images are Worth 16x16 Words: Dynamic Vision Transformers with Adaptive Sequence Length

 21 neurips

1 intro

1.1 背景

• 以ViT：《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》为代表的视觉Transformer通常将图像数据划分为固定数目的patch
  • 将每个patch对应的像素值采用线性映射等方式嵌入为一维的token，作为Transformer模型的输入
  • 
  • 假设模型结构固定，即每个token的维度大小固定，将输入表征为更多的token可以实现对图片更为细粒度的建模，往往可以有效提升模型的测试准确率；
    • 然而与此相对，由于Transformer的计算开销随token数目成二次方增长，增多token将导致大量增长的计算开销。
    • 为了在精度和效率之间取得一个合适的平衡，现有的ViT模型一般将token数设置为14x14或16x16。

1.2 论文思路

• 但本篇论文认为，采用定长的token序列表征数据集中所有的图像是一种低效且次优的做法，一个更合适的方法应当是，根据每个输入的具体特征，对每张图片设置对其最合适的token数目
• 具体而言，不同图片在内容、远近、物体大小、背景、光照等诸多方面均存在较大的差异，将其切分为相同数目和大小的patch没有考虑适应这些要素的变化，因而极有可能是次优的
  • 左侧的苹果图片构图简单且物体尺寸较大，右侧图片则包含复杂的人群、建筑、草坪等内容且物体尺寸均较小。
  • 显然，前者只需要少量token就可以有效表征其内容，后者则需要更多的token描述不同构图要素之间的复杂关系。
  • 
• 论文使用比原文推荐值（14x14）更少的token数目训练了一个T2T-ViT-12模型，并报告了对应的测试精度和计算开销。
  • 
    • 从结果中可以看到，若将token数目设置为4x4，准确率仅仅下降了15.9%，但计算开销下降了8.5倍
      • ——>这一结果表明，正确识别占数据大多数的较“简单”的样本只需4x4或更少的token，相当多的计算浪费在了使用存在大量冗余的14x14 token表征他们
• 提出一种可针对每个样本自适应地使用最合适的token数目进行表征的动态ViT模型。
  • 该方法在ImageNet上将T2T-ViT的平均推理速度（GPU实测）加快了1.4-1.7倍。
  • 其主要思想在于利用级联的ViT模型自动区分“简单”与“困难”样本，实现自适应的样本推理。
  • 为了减少级联模型中的冗余计算，文章还提出了特征重用与关系重用的模型设计思路。

2 方法

• 论文提出了一个动态视觉Transformer框架（Dynamic Vision Transformer，DVT），意在针对每个样本选择一个合适数目的token来进行表征

2.1 推理过程

• 使用从小到大的token数目训练了一组Transformer模型，他们具有相同的基本结构，但是参数相互独立，以分别适应逐渐增多的token数目
  • 
• 对于任意测试样本，首先将其粗略表征为最小数目的token，输入第一个Transformer，以低计算成本迅速得到初步预测。
  • 而后判断预测结果是否可信
    • 若可信，则直接输出当前结果并终止推理；
    • 若不可信，则将输入图片表征为更多的token，激活下一个Transformer进行更细粒度、但计算开销更大的的推理，得到结果之后再次判断是否可信，以此类推。
• 论文采用将预测的置信度（confidence）与一个固定阈值进行比较的方式作为准出的判断准则
  • 
    • 第i个出口产生softmax预测pi​时，pi​的最大条目，即（定义为置信度）与阈值ηi​进行比较。
      • 如果​≥ηi​，推断将通过采用pi​作为输出停止。
      • 否则，图像将使用更多token来激活下游Transformer。
    • B是给定的计算资源的预算

2.2 训练过程

记pi为第i个出口库的softmax预测概率，表示交叉熵损失，那么训练目标为：

2.3 上下文嵌入

• DVT框架中所有的Transformer都具有相同的训练目标。
  • 因此当一个处于下游位置的Transformer被激活时，一个显然更为高效的做法是，在先前Transformer已提取的特征的基础上进行进一步提升，而非完全从0开始重新提取特征。
• ——>论文提出了一个特征复用机制

  • 将上游Transformer最后一层输出的特征取出

  • 经MLP变换和上采样（Upsample）后，作为上下文嵌入（Context Embedding）以Concat的方式整合入下游模型每一层的MLP模块中。

  • 

2.4 关系复用

• 位于下游的模型同样可以借助上游Transformer已经得到的注意力图来进行更准确的全局注意力关系建模，论文称之为关系复用
• 上游模型的全部注意力图以logits的形式进行整合，经MLP变换和上采样后，加入到下层每个注意力图的logits中
• 这样，下游模型每一层的attention模块都可灵活复用上游模型不同深度的全部attention信息，且这一复用信息的“强度”可以通过改变MLP的参数自动地调整。

机器学习笔记： Upsampling, FCN, DeconvNet，U-Net, U-net variant_u-net地物分类机器学习_UQI-LIUWJ的博客-CSDN博客

这一段论文没说特别仔细，是我推断的，如有错误，欢迎批评指正

对特征图进行上采样需要对其行或列进行重组后分别完成，以确保其几何关系的对应性

传统的上采样方法不可行

4 实验

4.1 图像识别效果

DVT（T2T-ViT-12/14）在ImageNet图像识别任务上的计算效率如下：

可见该方法对backbone的提速比在1.6-3.6x，对大模型效果尤为明显。

4.2 推理速度

对于小模型，DVT可以在不减慢速度的前提下显著提升效果

对于大模型，DVT可以在不降低表现的前提下显著提速

4.3 什么样的样本适合小token，什么样的样本适合多token？

“easy”和“hard”分别代表需要少和多的token数目。

可见，后者往往包含复杂的场景、较小的物体尺寸、以及一些非常规的姿态和角度。