轉(zhuǎn)載自：新智元 | 編輯：小咸魚 好困
【導讀】谷歌改造Vision Transformer的新作被NeurIPS 2021收錄了。在這篇文章里，谷歌提出了TokenLearner方法，Vision Transformer用上它最多可以降低8倍計算量，而分類性能反而更強！目前，Transformer模型在計算機視覺任務（包括目標檢測和視頻分類等任務）中獲得了最先進的結果。不同于逐像素處理圖像的標準卷積方法，Vision Transformer（ViT）將圖像視為一系列patch token（即由多個像素組成的較小部分圖像）。這也就意味著在每一層神經(jīng)網(wǎng)絡中，ViT模型使用多頭自注意力（multi-head self-attention），基于每對token之間的關系來處理patch token。在輸入端，將圖像均勻地分割成多個部分來形成token，例如，將512×512像素的圖像分割成16×16像素的patch token。在中間層，上一層的輸出成為下一層的token。這里插一句。如果處理的是視頻，則視頻「管道」如16x16x2視頻片段（2幀16x16圖像）就成為了token。視覺token的質(zhì)量和數(shù)量決定了Vision Transformer的整體性能。許多Vision Transformer結構面臨的主要挑戰(zhàn)是，它們通常需要太多的token才能獲得合理的結果。例如，即使使用16x16patch token化，單個512x512圖像也對應于1024個token。對于具有多個幀的視頻，每層可能都需要處理數(shù)萬個token。考慮到Transformer的計算量隨著token數(shù)量的增加而二次方增加，這通常會使Transformer難以處理更大的圖像和更長的視頻。這就引出了一個問題：真的有必要在每一層處理那么多token嗎？谷歌在「TokenLearner：What Can 8 Learned Tokens Do for Images and Videos?」中提到了「自適應」這個概念。這篇文章將在NeurIPS 2021上進行展示。論文地址：https:///pdf/2106.11297.pdf項目地址：https://github.com/google-research/scenic/tree/main/scenic/projects/token_learner實驗表明，TokenLearner可以自適應地生成更少數(shù)量的token，而不是總是依賴于由圖像均勻分配形成的token，這樣一來，可以使Vision Transformer運行得更快，性能更好。TokenLearner是一個可學習的模塊，它會獲取圖像張量（即輸入）并生成一小組token。該模塊可以放置在Vision Transformer模型中的不同位置，顯著減少了所有后續(xù)層中要處理的token數(shù)量。實驗表明，使用TokenLearner可以節(jié)省一半或更多的內(nèi)存和計算量，而分類性能卻并不會下降，并且由于其適應輸入的能力，它甚至可以提高準確率。TokenLearner其實是一種簡單的空間注意力方法。為了讓每個TokenLearner學習到有用的信息，先得計算一個突出的重要區(qū)域的空間注意力圖（使用卷積層或MLP）。接著，這樣的空間注意力圖會被用來對輸入的每個區(qū)域進行加權（目的是丟棄不必要的區(qū)域），并且結果經(jīng)過空間池化后，就可以生成最終的學習好了的token。應用于單個圖像的TokenLearner模塊的直觀圖示TokenLearner學習在張量像素的子集上進行空間處理，并生成一組適應輸入的token向量。這種操作被并行重復多次，就可以從原始的輸入中生成n個（10個左右）token。換句話說，TokenLearner也可以被視為基于權重值來執(zhí)行像素的選擇，隨后進行全局平均。值得一提的是，計算注意力圖的函數(shù)由不同的可學習參數(shù)控制，并以端到端的方式進行訓練。這樣也就使得注意力函數(shù)可以在捕捉不同輸入中的空間信息時進行優(yōu)化。在實踐中，模型將學習多個空間注意力函數(shù)，并將其應用于輸入，并平行地產(chǎn)生不同的token向量。TokenLearner模塊學習為每個輸出標記生成一個空間注意力圖，并使用它來抽象化輸入的token因此，TokenLearner使模型能夠處理與特定識別任務相關的少量token，而不是處理固定的、統(tǒng)一的token化輸入。也就是說，TokenLearner啟用了自適應token，以便可以根據(jù)輸入動態(tài)選擇token，這一做法有效地減少了token的總數(shù)，大大減少了Transformer網(wǎng)絡的計算。而這些動態(tài)自適應生成的token也可用于標準的Transformer架構，如圖像領域的ViT和視頻領域的ViViT（Video Vision Transformer）。構建TokenLearner模塊后，下一步就必須要確定將其放置在哪個位置。首先，研究人員嘗試將它放置在標準ViT架構中的不同位置，輸入圖像使用224x224的大小。TokenLearner生成的token數(shù)量為8個和16個，遠遠少于標準ViT使用的196個或576個token。下圖顯示了在ViT B/16中的不同相對位置插入TokenLearner的模型的ImageNet 5-shot分類精度和FLOPs，其中ViT B/16是一個基礎模型，有12個注意力層。其運行時使用16x16大小的patch token。在JFT 300M的預訓練下，ImageNet的5-shot精度與ViT B/16中TokenLearner的相對位置有關位置0意味著TokenLearner被置于任何Transformer層之前。其中，baseline是標準的ViT B/16的ImageNet 5-shot分類精度和FLOPs。計算量以數(shù)十億次浮點運算（GFLOPS）衡量我們發(fā)現(xiàn)，在網(wǎng)絡的最初四分之一處（1/4處）插入TokenLearner，實現(xiàn)了與基線幾乎相同的準確性，同時將計算量減少到基線的三分之一以下。此外，將TokenLearner放在后面一層（網(wǎng)絡的3/4之后），與不使用TokenLearner相比，取得了更好的性能，同時由于其適應性，性能更快。由于TokenLearner前后的token數(shù)量相差很大（例如，前196個，后8個），TokenLearner模塊后的相對計算量幾乎可以忽略不計。將帶有TokenLearner的ViT模型和普通的ViT模型進行對比，同時在ImageNet的few-shot上采用相同的設置。TokenLearner會被放置在每個ViT模型中間的不同位置，如網(wǎng)絡的1/2和3/4處。其中，模型通過JFT 300M進行預訓練。從圖上觀察可以得知，TokenLearner模型在準確率和計算量方面的表現(xiàn)都比ViT要好。不同版本的ViT模型在ImageNet分類上的表現(xiàn)在更大的ViT模型中插入TokenLearner，如具有24個注意力層，并以10x10（或8x8）個patch作為初始token的L/10和L/8。之后，將這兩個模型與48層的ViT G/14模型進行比較。可以看到，在表現(xiàn)和G/14模型相當?shù)那闆r下，TokenLearner只需要非常少的參數(shù)和計算量。左：大規(guī)模TokenLearner模型與ViT G/14在ImageNet數(shù)據(jù)集上的分類精度對比；右：參數(shù)量和FLOPS的對比視頻理解是計算機視覺的關鍵挑戰(zhàn)之一，TokenLearner在多個視頻分類數(shù)據(jù)集基準上取得了SOTA的性能。其中，在Kinetics-400和Kinetics-600上的性能超過了以前的Transformer模型，在Charades和AViD上也超過了之前的CNN模型。通過與視頻視覺Transformer（Video Vision Transformer，ViViT）結合，TokenLearner會在每個時間段學習8（或16）個token。隨著時間的推移，當人物在場景中移動時，TokenLearner會注意到不同的空間位置變化從而進行token化。雖然Vision Transformer是計算機視覺領域的一個強大模型，但大量的token及龐大的計算量一直是將ViT應用于更大圖像和更長視頻的瓶頸。本文中作者表明，保留如此大量的token并在整個層集上完全處理它們是沒有必要的。此外，作者還證明了通過學習一個基于輸入圖像自適應提取token的模塊，可以在節(jié)省計算的同時獲得更好的性能。最后，多個公共數(shù)據(jù)集上的驗證也表明了TokenLearner在視頻表征學習任務中的表現(xiàn)十分優(yōu)異。參考資料： https://ai./2021/12/improving-vision-transformer-efficiency.html?m=1
|
