【论文笔记】PVT系列论文阅读笔记

2023-11-09 17:20
文章标签 笔记 系列 阅读 论文 pvt

本文主要是介绍【论文笔记】PVT系列论文阅读笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

PVT系列论文阅读笔记,包含PVTv1和PVTv2。

目录

一、PVTv1

一、引言

二、网络结构

1、 Feature Pyramid for Transformer

2、Spatial Reduction Attention

3、网络结构

 三、实验结果

1、图像分类

 2、目标检测和实例分割

 3、语义分割

二、PVTv2

一、引言

二、网络

1、Overlapping Patch Embedding

 2、Convolutional Feed-Forward

3、Linear Spatial Reduction Attention

4、网络结构

 三、实验结果

1、图像分类 

2、目标检测实例分割


一、PVTv1

论文:Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions

ViT适用于处理图像分类任务,但是不适合直接应用到密集预测任务,因为ViT的输出分辨率较低(number of patches)。PVT(Pyramid Vision Transformer)通过巧妙地设计,可以输出高分辨率的特征图,同时引入了SRA(spatial reduction attention)来减少计算量。类似CNN,PVT输出多分辨率特征图,可应用于各类下游任务(语义分割、目标检测等)。

一、引言

ViT已经成功的应用于图像分类任务中,但是无法直接用到语义分割和目标检测等任务中,主要原因有2点:

(1)输出特征图分辨率固定,而且分辨率小;

(2)对于正常大小的图片(例如短边长度800个像素的图片),计算成本相对较高;

为了解决上述的限制,作者提出了PVT(Pyramid Vision Transformer),PVT可以替代CNN 的backbone处理多种下游任务(语义分割、目标检测等),PVT主要包含以下几点改进:

(1)PatchEmbedding生成更多的patch,来得到高分辨率特征图用于下游任务;

(2)类似CNN backbone,随着网络加深减少特征图分辨率,同时减少了计算量;

(3)使用SRA(spatial reduction attention)减少计算量;

二、网络结构

1、 Feature Pyramid for Transformer

类似CNN能够通过不同的卷积步长得到不同尺度的特征图,PVT利用PatchEmbedding中的步长来减少特征图的分辨率。

假设输入特征图的维度为[N, C, H, W], 当PatchEmbedding的patch_size为P,那么输出的特征图维度为[N, C, H/P, W/P],由此可以降低特征图的分辨率。

PatchEmbedding代码如下:

class PatchEmbed(nn.Module):""" Image to Patch Embedding"""def __init__(self, img_size=224, patch_size=16, in_chans=3, embed_dim=768):super().__init__()img_size = to_2tuple(img_size)patch_size = to_2tuple(patch_size)self.img_size = img_sizeself.patch_size = patch_sizeassert img_size[0] % patch_size[0] == 0 and img_size[1] % patch_size[1] == 0, \f"img_size {img_size} should be divided by patch_size {patch_size}."self.H, self.W = img_size[0] // patch_size[0], img_size[1] // patch_size[1]self.num_patches = self.H * self.Wself.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)self.norm = nn.LayerNorm(embed_dim)def forward(self, x):B, C, H, W = x.shapex = self.proj(x).flatten(2).transpose(1, 2)x = self.norm(x)H, W = H // self.patch_size[0], W // self.patch_size[1]return x, (H, W)

2、Spatial Reduction Attention

为了减少Attention的计算量,PVT提出了一个简单有效的方法,假设Q\K\V的维度为[H*W, C],为了减少计算量,引入缩放因子R,将K\V的维度先变为[H*W/R^{2}, RC],然后通过全连接层变为[H*W/R^{2}, C],从而减少了计算量(实现的时候可以用卷积设置卷积核和步长为R,那么可以直接将维度从[H*W, C]变为 [H*W/R^{2}, C])。

 代码:

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):super().__init__()assert dim % num_heads == 0, f"dim {dim} should be divided by num_heads {num_heads}."self.dim = dimself.num_heads = num_headshead_dim = dim // num_headsself.scale = qk_scale or head_dim ** -0.5self.q = nn.Linear(dim, dim, bias=qkv_bias)self.kv = nn.Linear(dim, dim * 2, bias=qkv_bias)self.attn_drop = nn.Dropout(attn_drop)self.proj = nn.Linear(dim, dim)self.proj_drop = nn.Dropout(proj_drop)self.sr_ratio = sr_ratioif sr_ratio > 1:  # 维度衰减比例Rself.sr = nn.Conv2d(dim, dim, kernel_size=sr_ratio, stride=sr_ratio)self.norm = nn.LayerNorm(dim)def forward(self, x, H, W):B, N, C = x.shapeq = self.q(x).reshape(B, N, self.num_heads, C // self.num_heads).permute(0, 2, 1, 3)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)k, v = kv[0], kv[1]attn = (q @ k.transpose(-2, -1)) * self.scaleattn = 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

3、网络结构

下图为网络的结构,PVT可以得到各不同分辨率的特征图,类似于CNN backbone,PVT可以作为各下游任务的通用backbone。

网络的具体参数如下(R表示Attention的空间衰减比例,N表示num of heads,E表示Transformer模块中mlp的维度扩张比例):

 三、实验结果

1、图像分类

PVT在ImageNet-1K数据上的表现。

 2、目标检测和实例分割

PVT在coco2017数据集上的表现。

 3、语义分割

 PVT在ADE20K数据集上的表现。

二、PVTv2

论文:PVTv2: Improved Baselines with Pyramid Vision Transformer

与PVTv1相比,PVTv2做了3点改进:

(1)overlap patch embedding;

(2)前向传播加入卷积层;

(3)进一步减少attention计算量;

一、引言

PVTv1有3个缺陷:

(1)类似于ViT,PVTv1使用non-overlapping patch embedding;

(2)PVTv1的位置编码维度固定,对任意尺寸的输入不友好;

(3)计算量大;

为了改进以上缺点,PVTv2做了以下改进:
(1)Overlapping Patch Embedding;

(2)移除位置编码,在前向传播中加入卷积;

(3)提出Linear Spatial Reduction Attention。

二、网络

通过对PVTv1进行3种改进,可以得到以下提升:
(1)获得图像和特征图局部联系;

(2)可以处理各种分辨率的输入;

(3)和CNN一样的线性计算复杂度;

1、Overlapping Patch Embedding

通过卷积实现overlapping patch embedding,只需要调整卷积核大小和卷积步长即可实现。

 2、Convolutional Feed-Forward

位置编码的存在使得网络对不同大小的输入不友好,移除位置编码,同时在前向传播的mlp模块中加入卷积(使用深度可分离卷积减少计算量)来提取像素之间的位置关系信息。

代码如下:

class Mlp(nn.Module):def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0., linear=False):super().__init__()out_features = out_features or in_featureshidden_features = hidden_features or in_featuresself.fc1 = nn.Linear(in_features, hidden_features)self.dwconv = DWConv(hidden_features)self.act = act_layer()self.fc2 = nn.Linear(hidden_features, out_features)self.drop = nn.Dropout(drop)self.linear = linearif self.linear:self.relu = nn.ReLU(inplace=True)self.apply(self._init_weights)def forward(self, x, H, W):x = self.fc1(x)if self.linear:x = self.relu(x)x = self.dwconv(x, H, W)x = self.act(x)x = self.drop(x)x = self.fc2(x)x = self.drop(x)return x

3、Linear Spatial Reduction Attention

为了减少Attention计算量,提出LSRA(Linear Spatial Reduction Attention),SRA利用卷积减少特征图分辨率来降低计算量,LSRA通过平均池化减少计算量。

 具体计算复杂度如下式:

4、网络结构

 下表为网络结构,字母含义见下下图。

 上图各字母含义:

 三、实验结果

1、图像分类 

ImageNet-1K分类准确率。

2、目标检测实例分割

coco2017数据集表现如下。

这篇关于【论文笔记】PVT系列论文阅读笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/377504

相关文章

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

flume系列之:查看flume系统日志、查看统计flume日志类型、查看flume日志

遍历指定目录下多个文件查找指定内容 服务器系统日志会记录flume相关日志 cat /var/log/messages |grep -i oom 查找系统日志中关于flume的指定日志 import osdef search_string_in_files(directory, search_string):count = 0

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear