前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >计算机视觉"新"范式: Transformer | NLP和CV能用同一种范式来表达吗?

计算机视觉"新"范式: Transformer | NLP和CV能用同一种范式来表达吗?

作者头像
AI科技评论
发布2020-10-27 11:04:52
1.8K0
发布2020-10-27 11:04:52
举报
文章被收录于专栏:AI科技评论

自从Transformer出来以后,Transformer便开始在NLP领域一统江湖。

而Transformer在CV领域反响平平,一度认为不适合CV领域,直到最近计算机视觉领域出来几篇Transformer文章,性能直逼CNN的SOTA,给予了计算机视觉领域新的想象空间。

本文不拘泥于Transformer原理和细节实现(知乎有很多优质的Transformer解析文章,感兴趣的可以看看),着重于Transformer对计算机视觉领域的革新。

首先简略回顾一下Transformer,然后介绍最近几篇计算机视觉领域的Transformer文章,其中ViT用于图像分类,DETRDeformable DETR用于目标检测。

从这几篇可以看出,Transformer在计算机视觉领域的范式已经初具雏形,可以大致概括为:Embedding->Transformer->Head

一些有趣的点写在最后~~

1

Transformer

Transformer详解:

http://jalammar.github.io/illustrated-transformer/

下面以机器翻译为例子,简略介绍Transformer结构。

1. Encoder-Decoder

Transformer结构可以表示为Encoder和Decoder两个部分

Encoder和Decoder主要由Self-Attention和Feed-Forward Network两个组件构成,Self-Attention由Scaled Dot-Product Attention和Multi-Head Attention两个组件构成。

Scaled Dot-Product Attention公式:

Multi-Head Attention公式:

Feed-Forward Network公式:

2. Positional Encoding

如图所示,由于机器翻译任务跟输入单词的顺序有关,Transformer在编码输入单词的嵌入向量时引入了positional encoding,这样Transformer就能够区分出输入单词的位置了。

引入positional encoding的公式为:

是位置, 是维数, 是输入单词的嵌入向量维度。

3. Self-Attention

3.1 Scaled Dot-Product Attention

在Scaled Dot-Product Attention中,每个输入单词的嵌入向量分别通过3个矩阵 , 和 来分别得到Query向量( ),Key向量( )和Value向量( )。

如图所示,Scaled Dot-Product Attention的计算过程可以分成7个步骤:

  1. 每个输入单词转化成嵌入向量。
  2. 根据嵌入向量得到 , , 三个向量。
  3. 通过 , 向量计算 : 。
  4. 对 进行归一化,即除以 。
  5. 通过 激活函数计算 。
  6. 点乘Value值 ,得到每个输入向量的评分 。
  7. 所有输入向量的评分 之和为 : 。

上述步骤的矩阵形式可以表示成:

与Scaled Dot-Product Attention公式一致。

3.2 Multi-Head Attention

如图所示,Multi-Head Attention相当于h个不同Scaled Dot-Product Attention的集成,以h=8为例子,Multi-Head Attention步骤如下:

  1. 将数据 分别输入到8个不同的Scaled Dot-Product Attention中,得到8个加权后的特征矩阵 。
  2. 将8个 按列拼成一个大的特征矩阵。
  3. 特征矩阵经过一层全连接得到输出 。

Scaled Dot-Product Attention和Multi-Head Attention都加入了short-cut机制。

2

ViT

ViT将Transformer巧妙的应用于图像分类任务,更少计算量下性能跟SOTA相当。

Vision Transformer(ViT)将输入图片拆分成16x16个patches,每个patch做一次线性变换降维同时嵌入位置信息,然后送入Transformer,避免了像素级attention的运算。类似BERT[class]标记位的设置,ViT在Transformer输入序列前增加了一个额外可学习的[class]标记位,并且该位置的Transformer Encoder输出作为图像特征。

其中 为原图像分辨率, 为每个图像patch的分辨率。 为Transformer输入序列的长度。

ViT舍弃了CNN的归纳偏好问题,更加有利于在超大规模数据上学习知识,即大规模训练优归纳偏好,在众多图像分类任务上直逼SOTA。

3

DETR

DETR使用set loss function作为监督信号来进行端到端训练,然后同时预测所有目标,其中set loss function使用bipartite matching算法将pred目标和gt目标匹配起来。

直接将目标检测任务看成set prediction问题,使训练过程变的简洁,并且避免了anchor、NMS等复杂处理。

DETR主要有两个部分:architecture和set prediction loss。

1. Architecture

DETR先用CNN将输入图像embedding成一个二维表征,然后将二维表征转换成一维表征并结合positional encoding一起送入encoder,decoder将少量固定数量的已学习的object queries(可以理解为positional embeddings)和encoder的输出作为输入。

最后将decoder得到的每个output embdding传递到一个共享的前馈网络(FFN),该网络可以预测一个检测结果(包括类和边框)或着“没有目标”的类。

1.1 Transformer

1.1.1 Encoder

将Backbone输出的feature map转换成一维表征,得到 特征图,然后结合positional encoding作为Encoder的输入。

每个Encoder都由Multi-Head Self-Attention和FFN组成。

和Transformer Encoder不同的是,因为Encoder具有位置不变性,DETR将positional encoding添加到每一个Multi-Head Self-Attention中,来保证目标检测的位置敏感性。

1.1.2 Decoder

因为Decoder也具有位置不变性,Decoder的 个object query(可以理解为学习不同object的positional embedding)必须是不同,以便产生不同的结果,并且同时把它们添加到每一个Multi-Head Attention中。

个object queries通过Decoder转换成一个output embedding,然后output embedding通过FFN独立解码出 个预测结果,包含box和class。

对输入embedding同时使用Self-Attention和Encoder-Decoder Attention,模型可以利用目标的相互关系来进行全局推理。

和Transformer Decoder不同的是,DETR的每个Decoder并行输出 个对象,Transformer Decoder使用的是自回归模型,串行输出 个对象,每次只能预测一个输出序列的一个元素。

1.1.3 FFN

FFN由3层perceptron和一层linear projection组成。FFN预测出box的归一化中心坐标、长、宽和class。

DETR预测的是固定数量的 个box的集合,并且 通常比实际目标数要大的多,所以使用一个额外的空类来表示预测得到的box不存在目标。

2. Set prediction loss

DETR模型训练的主要困难是如何根据gt衡量预测结果(类别、位置、数量)。DETR提出的loss函数可以产生pred和gt的最优双边匹配(确定pred和gt的一对一关系),然后优化loss。

将y表示为gt的集合, 表示为 个预测结果的集合。假设 大于图片目标数, 可以认为是用空类(无目标)填充的大小为 的集合。

搜索两个集合 个元素 的不同排列顺序,使得loss尽可能的小的排列顺序即为二分图最大匹配(Bipartite Matching),公式如下:

其中 表示pred和gt关于 元素 的匹配loss。其中二分图匹配通过匈牙利算法(Hungarian algorithm)得到。

匹配loss同时考虑了pred class和pred box的准确性。每个gt的元素 可以看成 , 表示class label(可能是空类) 表示gt box,将元素 二分图匹配指定的pred class表示为 ,pred box表示为 。

第一步先找到一对一匹配的pred和gt,第二步再计算hungarian loss。

hungarian loss公式如下:

其中 结合了L1 loss和generalized IoU loss,公式如下:

ViT和DETR两篇文章的实验和可视化分析很有启发性,感兴趣的可以仔细看看~~

4

Deformable DETR

从DETR看,还不足以赶上CNN,因为训练时间太久了,Deformable DETR的出现,让我对Transformer有了新的期待。

Deformable DETR将DETR中的attention替换成Deformable Attention,使DETR范式的检测器更加高效,收敛速度加快10倍。

Deformable DETR提出的Deformable Attention可以可以缓解DETR的收敛速度慢和复杂度高的问题。同时结合了deformable convolution的稀疏空间采样能力和transformer的关系建模能力。

Deformable Attention可以考虑小的采样位置集作为一个pre-filter突出所有feature map的关键特征,并且可以自然地扩展到融合多尺度特征,并且Multi-scale Deformable Attention本身就可以在多尺度特征图之间进行交换信息,不需要FPN操作。

1. Deformable Attention Module

给定一个query元素(如输出句子中的目标词)和一组key元素(如输入句子的源词),Multi-Head Attention能够根据query-key pairs的相关性自适应的聚合key的信息。为了让模型关注来自不同表示子空间和不同位置的信息,对multi-head的信息进行加权聚合。

其中 表示query元素(特征表示为 ), 表示key元素(特征表示为 ), 是特征维度, 和 分别为 和 的集合。

那么Transformer 的 Multi-Head Attention公式表示为:

其中 指定attention head, 和 是可学习参数,注意力权重 并且归一化 ,其中 是可学习参数。为了能够分辨不同空间位置, 和 通常会引入positional embedding。

对于DETR中的Transformer Encoder,query和key元素都是feature map中的像素。

DETR 的 Multi-Head Attention 公式表示为:

其中 。

DETR主要有两个问题:需要更多的训练时间来收敛,对小目标的检测性能相对较差。本质上是因为Transfomer的Multi-Head Attention会对输入图片的所有空间位置进行计算。

而Deformable DETR的Deformable Attention只关注参考点周围的一小部分关键采样点,为每个query分配少量固定数量的key,可以缓解收敛性和输入分辨率受限制的问题。

给定一个输入feature map , 表示为query元素(特征表示为),二维参考点表示为 ,Deformable DETR 的 Deformable Attention公式表示为:

其中 指定attention head, 指定采样的key, 表示采样key的总数( )。 , 分别表示第 个采样点在第 个attention head的采样偏移量和注意力权重。注意力权重 在[0,1]的范围内,归一化 。 表示为无约束范围的二维实数。因为 为分数,需要采用双线性插值方法计算 。

2. Multi-scale Deformable Attention Module

Deformable Attention可以很自然地扩展到多尺度的feature maps。 表示为输入的多尺度feature maps, 。 表示为每个query元素 的参考点 的归一化坐标。Deformable DETR 的Multi-scale Deformable Attention公式表示为:

其中 指定attention head, 指定输入特征层, 指定采样的key, 表示采样key的总数( )。 , 分别表示第 个采样点在第 特征层的第 个attention head的采样偏移量和注意力权重。注意力权重 在[0,1]的范围内,归一化 。

3. Deformable Transformer Encoder

将DETR中所有的attention替换成multi-scale deformable attention。encoder的输入和输出都是具有相同分辨率的多尺度feature maps。Encoder从ResNet的 中抽取多尺度feature maps , ( 由 进行3×3 stride 2卷积得到)。

在Encoder中使用multi-scale deformable attention,输出是和输入具有相同分辨率的多尺度feature maps。query和key都来自多尺度feature maps的像素。对于每个query像素,参考点是它本身。

为了判断query像素源自哪个特征层,除了positional embedding外,还添加了一个scale-level embedding ,不同于positional embedding的固定编码, scale-level embedding随机初始化并且通过训练得到。

4. Deformable Transformer Decoder

Decoder中有cross-attention和self-attention两种注意力。这两种注意力的query元素都是object queries。在cross-attention中,object queries从feature maps中提取特征,而key元素是encoder输出的feature maps。

在self-attention中,object queries之间相互作用,key元素也是object queries。因为Deformable Attention是用于key元素的feature maps特征提取的,所以decoder部分,deformable attention只替换cross-attention。

因为multi-scale deformable attention提取参考点周围的图像特征,让检测头预测box相对参考点的偏移量,进一步降低了优化难度。

5

复杂度分析

假设query和key的数量分别为 、 ( ),维度为 ,key采样点数为 ,图像的feature map大小为 ,卷积核尺寸为 。

Convolution复杂度

  • 为了保证输入和输出在第一个维度都相同,故需要对输入进行padding操作,因为这里kernel size为 (实际kernel的形状为 )。
  • 大小为 的卷积核一次运算复杂度为 ,一共做了 次,故复杂度为 。
  • 为了保证第三个维度相等,故需要 个卷积核,所以卷积操作的时间复杂度为 。

Self-Attention复杂度

  • 的计算复杂度为 。
  • 相似度计算 : 与 运算,得到 矩阵,复杂度为 。
  • 计算:对每行做 ,复杂度为 ,则n行的复杂度为 。
  • 加权和: 与 运算,得到 矩阵,复杂度为 。
  • 故最后Self-Attention的时间复杂度为 。

Transformer

Self-Attention的复杂度为 。

ViT

Self-Attention的复杂度为 。

DETR

Self-Attention的复杂度为 。

Deformable DETR

Self-Attention的复杂度为 。

分析细节请看原论文。

6

几个问题

如何理解? 为什么不使用相同的 和 ?

1. 从点乘的物理意义上讲,两个向量的点乘表示两个向量的相似度。

2. 的物理意义是一样的,都表示同一个句子中不同token组成的矩阵。矩阵中的每一行,是表示一个token的word embedding向量。假设一个句子“Hello, how are you?”长度是6,embedding维度是300,那么 都是(6,300)的矩阵。

所以 和 的点乘可以理解为计算一个句子中每个token相对于句子中其他token的相似度,这个相似度可以理解为attetnion score,关注度得分。

虽然有了attention score矩阵,但是这个矩阵是经过各种计算后得到的,已经很难表示原来的句子了,而 还代表着原来的句子,所以可以将attention score矩阵与 相乘,得到的是一个加权后的结果。

经过上面的解释,我们知道 和 的点乘是为了得到一个attention score 矩阵,用来对 进行提炼。 和 使用不同的 , 来计算,可以理解为是在不同空间上的投影。

正因为有了这种不同空间的投影,增加了表达能力,这样计算得到的attention score矩阵的泛化能力更高。

这里解释下我理解的泛化能力,因为 和 使用了不同的 , 来计算,得到的也是两个完全不同的矩阵,所以表达能力更强。

但是如果不用 ,直接拿 和 点乘的话,attention score 矩阵是一个对称矩阵,所以泛化能力很差,这个矩阵对 进行提炼,效果会变差。

详细分析可以看链接文章

https://medium.com/dissecting-bert/dissecting-bert-part-1-d3c3d495cdb3

https://www.zhihu.com/question/319339652/answer/730848834

如何Position Embedding更好?

目前还是一个开放问题,知乎上有一些优质的讨论,详细分析可以看链接文章

NLP: https://www.zhihu.com/question/347678607/answer/864217252

CV: https://zhuanlan.zhihu.com/p/99766566

ViT为什么要增加一个[CLS]标志位? 为什么将[CLS]标志位对应的向量作为整个序列的语义表示?

和BERT相类似,ViT在序列前添加一个可学习的[CLS]标志位。以BERT为例,BERT在第一句前添加一个[CLS]标志位,最后一层该标志位对应的向量可以作为整句话的语义表示,从而用于下游的分类任务等。

将[CLS]标志位对应的向量作为整个文本的语义表示,是因为与文本中已有的其它词相比,这个无明显语义信息的符号会更“公平”地融合文本中各个词的语义信息,从而更好的表示整句话的语义。

归纳偏好是什么?

归纳偏置在机器学习中是一种很微妙的概念:在机器学习中,很多学习算法经常会对学习的问题做一些假设,这些假设就称为归纳偏好(Inductive Bias)。

归纳偏置可以理解为,从现实生活中观察到的现象中归纳出一定的规则(heuristics),然后对模型做一定的约束,从而可以起到“模型选择”的作用,即从假设空间中选择出更符合现实规则的模型。可以把归纳偏好理解为贝叶斯学习中的“先验”。

在深度学习中,也使用了归纳偏好。在CNN中,假设特征具有局部性(Locality)的特点,即把相邻的一些特征融合到一起,会更容易得到“解”;在RNN中,假设每一时刻的计算依赖于历史计算结果;还有attention机制,也是从人的直觉、生活经验归纳得到的规则。

而Transformer可以避免CNN的局部性归纳偏好问题。举一个DETR中的例子。

训练集中没有超过13只长颈鹿的图像,DETR实验中创建了一个合成的图像来验证DETR的泛化能力,DERT可以完全找到合成的全部24只长颈鹿。这证实了DETR避免了CNN的归纳偏好问题。

https://www.zhihu.com/question/264264203/answer/830077823

二分图匹配? 匈牙利算法?

给定一个二分图G,在G的一个子图M中,M的边集{E}中的任意两条边都不依附于同一个顶点,则称M是一个匹配。求二分图最大匹配可以用匈牙利算法。

详细分析可以看链接文章

https://liam.page/2016/04/03/Hungarian-algorithm-in-the-maximum-matching-problem-of-bigraph/

https://zhuanlan.zhihu.com/p/62981901

BETR的positional embedding、object queries和slot三者之间有何关系?

DETR可视化decoder预测得到的20个slot。可以观察到每个slot学习到了特定区域的尺度大小。Object queries从这个角度看,其实有点像Faster-RCNN等目标检测器的anchor,结合encoder的positional embedding信息让每个slot往学习到的特定区域去寻找目标。

Transformer相比于CNN的优缺点?

优点:

Transformer关注全局信息,能建模更加长距离的依赖关系,而CNN关注局部信息,全局信息的捕捉能力弱。

Transformer避免了CNN中存在的归纳偏好问题。

缺点:

Transformer复杂度比CNN高,但是ViT和Deformable DETR给出了一些解决方法来降低Transformer的复杂度。

7

总结

Transformer给图像分类和目标检测方向来了巨大革新,分割、跟踪、视频等方向也不远了吧。

NLP和CV的关系变的越来越有趣了,虽然争议很大,但是试想一下,NLP和CV两个领域能用一种范式来表达,该有多可怕,未来图像和文字是不是可以随心所欲的转来转去?可感知可推理的强人工智能是不是不远了?(想想就好)

向着NLP和CV的统一前进。

引用

[1]Attention Is All You Need

[2]An Image is Worth 16*16 Words: Transformers for Image Recognition at Scale

[3]End-to-End Object Detection with Transformers

[4]Deformable DETR: Deformable Transformers for End-to-End Object Detection


本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-10-17,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI科技评论 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
机器翻译
机器翻译(Tencent Machine Translation,TMT)结合了神经机器翻译和统计机器翻译的优点,从大规模双语语料库自动学习翻译知识,实现从源语言文本到目标语言文本的自动翻译,目前可支持十余种语言的互译。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档