编辑：LRS
注意力机制这么好用，怎么不把它塞到卷积网络里？最近MetaAI的研究人员提出了一个基于注意力的池化层，仅仅把平均池化层替换掉，就能获得+0.3%的性能提升！
VisualTransformer作为计算机视觉领域的新兴霸主，已经在各个研究任务中逐渐替换掉了卷积神经网络CNN。
ViT与CNN之间存在着许多不同点，例如ViT的输入是imagepatch，而非像素；分类任务中，ViT是通过对类标记进行决策等等。
classtoken实际上是ViT论文原作者提出，用于整合模型输入信息的token。classtoken与每个patch进行信息交互后，模型就能了解到具体的分类信息。
并且在自注意力机制中，最后一层中的softmax可以作为注意力图，根据classtoken和不同patch之间的交互程度，就能够了解哪些patch对最终分类结果有影响及具体程度，也增加了模型可解释性。
但这种可解释性目前仍然是很弱的，因为patch和最后一层的softmax之间还隔着很多层和很多个header，信息之间的不断融合后，很难搞清楚最后一层softmax是否真的可以解释分类。
Michael Saylor：我们正在从创业阶段进入机构数字资产阶段，大玩家将进入这个领域:金色财经报道，MicroStrategy前首席执行官Michael Saylor在最近的一次采访中表示，代表所有比特币持有者，我们觉得我们被困在与加密货币的不正常关系中，我们想要退出。比特币将成为赢家，因为比特币是一种数字商品，而且它是所有事物中争议最少的。我们正在从创业阶段进入机构数字资产阶段，大玩家将进入这个领域，我们都将成长，世界将从中受益。[2022/12/10 21:35:10]
所以如果ViT和CNN一样有视觉属性就好了！
最近MetaAI就提出了一个新模型，用attentionmap来增强卷积神经网络，说简单点，其实就是用了一个基于注意力的层来取代常用的平均池化层。
仔细一想，池化层和attention好像确实很配啊，都是对输入信息的加权平均进行整合。加入了注意力机制以后的池化层，可以明确地显示出不同patch所占的权重。
声音 | Ripple首席执行官：数字资产有助于解决金融包容性问题，中央银行倾向于进入这个领域:据ambcrypto报道，Ripple首席执行官Brad Garlinghouse称，金钱本身正在发生变化。数字资产不仅有助于解决金融包容性问题，而且还有一个非常现实的问题：即全球支付系统正破裂，中央银行倾向于进入这个领域。“[2018/12/16]
并且与经典ViT相比，每个patch都会获得一个单一的权重，无需考虑多层和多头的影响，这样就可以用一个简单的方法达到对注意力可视化的目的了。
在分类任务中更神奇，如果对每个类别使用不同颜色进行单独标记的话，就会发现分类任务也能识别出图片中的不同物体。
基于Attention的池化层
声音 | 纽约风险投资家：目前是投资这个生态系统的最佳时机:据coincryptorama报道，畅销书《加密资产》(Cryptoassets)的作者、纽约风险投资家克里斯·伯尼斯克(Chris Burniske)认为，比特币和Ethereum目前的熊市可能是投资这个生态系统的最佳时机。[2018/12/14]
文章中新提出的模型叫做PatchConvNet，核心组件就是可学习的、基于attention的池化层。
模型架构的主干是一个卷积网络，相当于是一个轻量级的预处理操作，它的作用就是把图像像素进行分割，并映射为一组向量，和ViT中patchextraction操作对应。
最近也有研究表明，采用卷积的预处理能让模型的性能更加稳定。
赵长鹏：大流动性是最好的消费者保护机制之一:金色财经报道，Binance首席执行官赵长鹏在社交媒体表示，大流动性是最好的消费者保护机制之一，因为它可以防止市场操纵、市场波动并减少清算。想象一下，如果我们将流动性划分为 180 个国家，这将使大型交易者摆动市场的难度降低 180 倍，并显着增加波动性。此时就会有套利交易者试图平衡价格，但他们的效率不如一个订单簿，而且哪些套利交易者会在买家和卖家两者之间赚钱（由消费者支付）。人们有时会有另一个误解：在交易所，用户不选择交易对手，只是用订单簿进行交易，但其实订单扮演的是经纪人的角色。流动性越大，也就能为用户提供了更好的价格、更紧密的传播，继而降低滑点，这也是消费者保护的一种非常重要的形式。[2022/7/31 2:49:48]
模型的第二部分column，包含了整个模型中的大部分层、参数和计算量，它由N个堆叠的残差卷积块组成。每个块由一个归一化、1*1卷积，3*3卷积用来做空间处理，一个squeeze-and-excitation层用于混合通道特征，最后在残差连接前加入一个1*1的卷积。
研究人员对模型块的选择也提出了一些建议，例如在batchsize够大的情况下，BatchNorm往往效果比LayerNorm更好。但训练大模型或者高分辨率的图像输入时，由于batchsize更小，所以BatchNorm在这种情况下就不太实用了。
下一个模块就是基于注意力的池化层了。
在主干模型的输出端，预处理后的向量通过类似Transformer的交叉注意力层的方式进行融合。
注意力层中的每个权重值取决于预测patch与可训练向量之间的相似度，结果和经典ViT中的classtoken类似。
然后将产生的d维向量添加到CLS向量中，并经过一个前馈网络处理。
与之前提出的class-attentiondecoder不同之处在于，研究人员仅仅只用一个block和一个head，大幅度简化了计算量，也能够避免多个block和head之间互相影响，从而导致注意力权重失真。
因此，classtoken和预处理patch之间的通信只发生在一个softmax中，直接反映了池化操作者如何对每个patch进行加权。
也可以通过将CLS向量替换为k×d矩阵来对每个类别的attentionmap进行归一化处理，这样就可以看出每个块和每个类别之间的关联程度。
但这种设计也会增加内存的峰值使用量，并且会使网络的优化更加复杂。通常只在微调优化的阶段以一个小的学习率和小batchsize来规避这类问题。
实验结果
在图像分类任务上，研究人员首先将模型与ImageNet1k和ImageNet-v2上的其他模型从参数量，FLOPS，峰值内存用量和256张图像batchsize下的模型推理吞吐量上进行对比。
实验结果肯定是好的，可以看到PatchConvNet的简单柱状结构相比其他模型更加简便和易于扩展。对于高分辨率图像来说，不同模型可能会针对FLOPs和准确率进行不同的平衡，更大的模型肯定会取得更高的准确率，相应的吞吐量就会低一些。
在语义分割任务上，研究人员通过ADE20k数据集上的语义分割实验来评估模型，数据集中包括2万张训练图像和5千张验证图像，标签超过150个类别。由于PatchConvNet模型不是金字塔式的，所以模型只是用模型的最后一层输出和UpperNet的多层次网络输出，能够简化模型参数。研究结果显示，虽然PatchConvNet的结构更简单，但与最先进的Swin架构性能仍处于同一水平，并且在FLOPs-MIoU权衡方面优于XCiT。
在检测和实例分割上，研究人员在COCO数据集上对模型进行评估，实验结果显示PatchConvNet相比其他sota架构来说，能够在FLOPs和AP之间进行很好的权衡。
在消融实验中，为了验证架构问题，研究人员使用不同的架构对比了Transformer中的classattention和卷积神经网络的平均池化操作，还对比了卷积主干和线性投影之间的性能差别等等。实验结果可以看到卷积主干是模型取得最佳性能的关键，class-attention几乎没有带来额外的性能提升。
另一个重要的消融实验时attention-basedpooling和ConvNets之间的对比，研究人员惊奇地发现可学习的聚合函数甚至可以提高一个ResNet魔改后模型的性能。
通过把attention添加到ResNet50中，直接在Imagenet1k上获得了80.1%的最高准确率，比使用平均池化层的baseline模型提高了+0.3%的性能，并且attention-based只稍微增加了模型的FLOPs数量，从4.1B提升到4.6B。
参考资料：
https://arxiv.org/abs/2112.13692
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。