当前位置：首页 > article >正文

论文阅读（二十五）：PVTv2: Improved Baselines with Pyramid Vision Transformer

article 2024/10/28 12:53:49

文章目录

1.回顾PVT
2.重叠块嵌入
3.移除固定位置编码
4.线性SRA
5.版本结构

论文：PVTv2: Improved Baselines with Pyramid Vision Transformer
代码：Github

1.回顾PVT

在提出PVT之前，Vision Transformer领域输出的特征图和输入大小基本保持一致，不发生尺度的变化。在PVT中提出将多个Transformer模块进行叠加，同时在每个模块内部 Attention 机构进行特征提取的大小变化。整体结构如下：
在这里插入图片描述
共采用了四个Transformer编码器进行叠加，每个阶段只有参数不同结构都一样。并且为了不盲目叠加编码器、适应尺度变化，作者提出可更改大小的注意力模块（SRA：Spatial-Reduction Attention，空间缩减注意力机制）：
在这里插入图片描述

可理解为将重塑K、V的形状，由原先的 $(H W) \times C$ 缩减为 $\frac{(HW)}{R^2}×(R^2C)$ 。经过此操作后特征图的大小不断变化，形成多尺度 PVT。各PVT版本的结构如下：

但PVT也存在如下问题：

（1）与ViT类似，在处理高分辨率输入时，计算复杂度高。
（2）PVT将图像视为不重叠的小块序列，在一定程度上失去了图像的局部连续性。
（3）PVT中位置编码大小固定，这对任意大小的图像处理不灵活。

为解决这些问题而提出了PVT-v2。

2.重叠块嵌入

在这里插入图片描述
在原始PVT及ViT中均采用刚好切分的方式，这使得图像边界部分的信息无法得到完整解读。同时，也丧失了这些分块的局部连续性。因此，PVT2中将原始图像进行零填充，并使用 $s t r i d e$ 小于 $kernel\_size$ 的重叠分块操作完成嵌入(上图中红色边框内的虚线即为重叠部分)。代码如下：

#原始PVT直接进行分块
self.proj = nn.Conv2d(in_chans=3, embed_dim=64, kernel_size=4, stride=4)

#PVTv2包含零填充+重叠分块
self.proj = nn.Conv2d(in_chans=3, embed_dim=64, kernel_size=7,stride=4,padding=(3, 3))

此时PVT2与PVT在 $patch\_embeding$ 部分的输入、输出大小相同，即，输入尺寸为 $(1, 3, 224, 2240)$ ，输出尺寸仍为 $batch\_size,channal,56,56)$ 。但PVT2的嵌入包含了每个图像patch和周围相邻图像patch的相关信息。实际代码：

class OverlapPatchEmbed(nn.Module):
    """ Image to Patch Embedding
    """
    def __init__(self, patch_size=7, stride=4, in_chans=3, embed_dim=768):
        super().__init__()
        patch_size = to_2tuple(patch_size)
        assert max(patch_size) > stride, "Set larger patch_size than stride"
        self.patch_size = patch_size
        self.proj = nn.Conv2d(
            in_chans, embed_dim, patch_size,
            stride=stride, padding=(patch_size[0] // 2, patch_size[1] // 2))
        self.norm = nn.LayerNorm(embed_dim)
 
    def forward(self, x):  # (1,3,224,224)
        x = self.proj(x)  # (1,64,56,56)
        x = x.permute(0, 2, 3, 1)  # (1,56,56,64)
        x = self.norm(x)
        return x

其中， $patch\_size=kernel\_size=2*stride-1,padding\_size=stride-1$ 。

3.移除固定位置编码

在这里插入图片描述
在MLP层中两个FC之间加入了3×3的卷积以移除固定大小的位置编码，意思是，使用零填充给特征图外面加一圈padding，而卷积层可以根据特征图外圈的0学习到特征图的轮廓信息，换句话说可以学习到一些绝对位置信息，因此可以用DW卷积来建模位置信息并且去掉位置编码以减少计算量。实现代码：

class DWConv(nn.Module):
    def __init__(self, dim=768):
        self.dwconv = nn.Conv2d(dim, dim, 3, 1, 1, bias=True, groups=dim)

    def forward(self, x, H, W):
        B, N, C = x.shape
        x = x.transpose(1, 2).view(B, C, H, W)
        x = self.dwconv(x)
        x = x.flatten(2).transpose(1, 2)

        return x

class Mlp(nn.Module):
    def forward(self, x, H, W):
        x = self.fc1(x)
        x = self.dwconv(x, H, W) #这里这里
        x = self.act(x)
        x = self.drop(x)
        x = self.fc2(x)
        x = self.drop(x)
        return x

4.线性SRA

PVT中使用SRA结构降低分辨率，而PVTv2中使用池化+卷积操作实现，以降低计算量。
在这里插入图片描述

class Attention(nn.Module):
    def __init__(self, dim, num_heads=8, qkv_bias=False, qk_scale=None, attn_drop=0., proj_drop=0., sr_ratio=1, linear=False):
        if not linear:
            if sr_ratio > 1:
                self.sr = nn.Conv2d(dim, dim, kernel_size=sr_ratio, stride=sr_ratio)
                self.norm = nn.LayerNorm(dim)
        else: #使用线性 SRA
            self.pool = nn.AdaptiveAvgPool2d(7) #加了一层池化
            self.sr = nn.Conv2d(dim, dim, kernel_size=1, stride=1) #卷积核为 1
            self.norm = nn.LayerNorm(dim)
            self.act = nn.GELU() #激活函数
        self.apply(self._init_weights)

    def forward(self, x, H, W):
        B, N, C = x.shape
        q = self.q(x).reshape(B, N, self.num_heads, C // self.num_heads).permute(0, 2, 1, 3)

        if not self.linear: #这里是原版 SRA
            if self.sr_ratio > 1:
                x_ = x.permute(0, 2, 1).reshape(B, C, H, W)
                x_ = self.sr(x_).reshape(B, C, -1).permute(0, 2, 1)
                x_ = self.norm(x_)
                kv = self.kv(x_).reshape(B, -1, 2, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
            else:
                kv = self.kv(x).reshape(B, -1, 2, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)

        else: #是线性 SRA
            x_ = x.permute(0, 2, 1).reshape(B, C, H, W)
            x_ = self.sr(self.pool(x_)).reshape(B, C, -1).permute(0, 2, 1)
            x_ = self.norm(x_)
            x_ = self.act(x_)
            kv = self.kv(x_).reshape(B, -1, 2, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
        k, v = kv[0], kv[1]

        attn = (q @ k.transpose(-2, -1)) * self.scale
        attn = attn.softmax(dim=-1)
        attn = self.attn_drop(attn)

        x = (attn @ v).transpose(1, 2).reshape(B, N, C)
        x = self.proj(x)
        x = self.proj_drop(x)

        return x