论文提出CeiT混合网络，结合了CNN在提取低维特征方面的局部性优势以及Transformer在建立长距离依赖关系方面的优势。CeiT在ImageNet和各种下游任务中达到了SOTA，收敛速度更快，而且不需要大量的预训练数据和额外的CNN蒸馏监督，值得借鉴

来源：晓飞的算法工程笔记 公众号

论文: Incorporating Convolution Designs into Visual Transformers

• 论文地址：https://arxiv.org/abs/2103.11816

Introduction

? 在视觉领域中，纯Transformer架构往往需要大量的训练数据或额外的监督来达到与CNN相当的性能。为了克服这些限制，论文对直接使用Transformer架构的潜在缺点进行了分析，发现Transformer主要缺乏了CNN的平移不变性以及局部性。于是，论文将CNN在提取低维特征方面的局部性优势以及Transformer在建立长距离依赖关系方面的优势进行结合，提出了Convolution-enhanced image Transformer(CeiT)混合网络。

? 论文对原生Transformer做了三处修改：

• 设计了Image-to-Tokens（I2T）模块，从生成的低维特征中提取token序列，而不是将原始输入图像直接分割成token序列。
• 提出Locally-enchanced Feed-Forward(LeFF)层替换每个encoder中的feed-forward层，LeFF能够促进相邻token之间的相关性。
• 在Transformer的顶部附加Layer-wise Class token Attention(LCA)，能够综合多层特征作为最终输出。

? 在ImageNet和七个下游任务的实验结果表明，CeiT的性能和泛化能力比之前的Transformer和CNN更优，而且不需要大量的训练数据和额外的CNN蒸馏。此外，CeiT模型的收敛性更好，训练迭代次数减少了3倍，极大地降低了训练成本。

Methodology

Image-to-Tokens with Low-level Features

? 为了优化初始token序列的生成，论文提出了简单而有效的Imageto-Tokens（I2T）模块，从生成的低维特征中提取token序列，而不是将原始输入图像直接分割。如图2所示，I2T模块是由卷积层和最大池化层组成的轻量级stem结构，卷积层后面会进行BN操作。整个模块可表示为：

其中，为卷积的stride参数，为卷积输出的通道数。

? 在得到输出特征图后，根据空间维度从中切割图像块序列。为了保持生成的标记数量与ViT一致，论文将图像块的分辨率缩减为（），在实践中设定。最后，通过embedding操作将图像块序列转换为token序列。

? I2T模块能够充分发挥CNN在提取低层次特征方面的优势，并且能够通过缩小图像块的大小来降低embedding的训练难度。与用ResNet-50来提取后两个阶段的高层特征的混合类型Transformer对比，I2T模块要轻量得多。

Locally-Enhanced Feed-Forward Network

? 为了将CNN提取局部信息的优势与Transformer建立长距离依赖关系的能力相结合，论文提出了Locally-enhanced FeedForward Network（LeFF）层。在每个encoder模块中，保持MHSA模块不变来保留捕捉token间全局相似性的能力，将原来的前馈网络层用LeFF取代，LeFF的结构如图3。

? LeFF模块的执行如公式5-11所示，每条公式对应以下一条处理：

• 定义MSA模块生成的输出为，将其区分为图像token序列和一个class token 。
• 对图像token序列进行线性投影，扩展到更高维度的，其中是扩展率。
• 根据相对于原始图像的位置，将图像token序列进行空间维度的还原，得到还原特征图。
• 对还原的特征图进行内核大小为的深度卷积处理，增强每个token与相邻的个token的特征相关性，得到增强特征图。
• 将还原特征图中拉平为的序列。
• 将序列中的token映射回初始维度，得到最终的token序列，
• 将最终的token序列与class tken连接，得到最终输出。

需要注意，在每次线性投影和深度卷积之后，都会增加进行BatchNorm和GELU处理。

Layer-wise Class-Token Attention

? 在CNN中，特征图的感受域随着网络的加深而增加。在ViT中也有类似的现象，自注意计算范围随深度增加而增加。因此，特征的表达在不同层会有所不同。为了整合不同层的信息，论文设计了Layer-wise Class-token Attention（LCA）模块。标准的ViT只使用第层（最后）的class token 作为最终特征，而LCA则综合不同层的class token作为最终特征。

? 如图4所示，LCA将一串class token 作为输入，其中表示层深度。LCA遵循Transformer block的标准实现，包含一个MSA和一个FFN层。LCA的MSA层只计算第个class token 和其他class token之间的单向相似性，这样可以将计算复杂度从降低到。聚合后的的对应值被送入FFN层，从而得到最终特征。

Computational Complexity Analysis

? 论文设计了不同大小的CeiT模型，并对修改所带来的额外计算复杂性（以FLOPs为单位）进行了分析。一般来说，在计算成本略有增加的情况下，CeiT可以有效地结合CNN和Transformer的优势获得更高的性能和更好的收敛性，具体的计算复杂度分析可以看看原文。

Experiment

? 训练配置。

? 使用的数据集。

? ImageNet结果。

? ImageNet预训练迁移结果。

? I2T模块参数的对比实验。

? LeFF模块参数的对比实验。

? 不同模型大小在不同周期下的收敛效果对比。

Conclusion

? 论文提出CeiT混合网络，结合了CNN在提取低维特征方面的局部性优势以及Transformer在建立长距离依赖关系方面的优势。CeiT在ImageNet和各种下游任务中达到了SOTA，收敛速度更快，而且不需要大量的预训练数据和额外的CNN蒸馏监督，值得借鉴。

如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】

work-life balance.