【TNT】Transformer in Transformer

这是今年中科院计算机科学实验室、华为和澳门大学联合写的一篇文章，题目非常硬核，TNT，像是多么爆炸性的产出。话不多说，直接开始学习吧。

论文：https://arxiv.org/pdf/2103.00112.pdf

代码：https://github.com/huawei-noah/CV-Backbones

目录

1.背景

2.网络

2.1网络结构

2.2网络计算

 2.3位置编码

 3.实验

3.1TNT on ImageNet

3.2图像分类任务

 3.3目标检测任务

 3.4语义分割任务

1.背景

Transformer是基于自注意机制的一种神经网络，他能表示不同特征图之间的关系。Transformer 作为一种新型的神经网络架构，通过注意力机制将输入编码为强大的特征表征，通常，Transformer是将输入图像分成几个分块，然后计算每个分块之间的关系，自然影像由于具有丰富的细节和颜色信息，所以复杂性较高，但是分块的颗粒不够精细，无法挖掘不同尺度和位置的物体特征，因此，本文提出一种新的高性能Transformer结构-TNT（Transformer In Transformer ）。

2.网络

2.1网络结构

为了增强特征表征能力，TNT首先将输入图像分成几个patch切片，类似于“视觉句子”，然后将每个“视觉句子”的patch切片再切分成几个切片，类似于“视觉单词”，TNT网络除了要提取传统transformer网络的“视觉句子”之间的注意力特征，还要挖掘“视觉单词”之间的参数。特别注意的是，计算“视觉单词”之间的注意力特征时采用共享网络参数机制，因此计算“视觉单词”之间的注意力特征的参数和FLOPS的增加量可以忽略不计。然后，这个“视觉单词”的特征会被合成到对应的“视觉句子”中，class token也会通过连接不同的head被用于各种视觉识别任务中，通过TNT模型，可以提取更细粒度的视觉信息，提供更多的特征细节。

2.2网络计算

假设输入影像为image，

1.第一步就是将image切片，切成n个P*P*3大小的切片，即：

 其中为其中一个视觉句子，将其再切片，得到，即视觉单词：

 其中为第i个句子里的第j个单词.

2.第二步就是通过线性投影，将视觉单词转成单词序列，即：

 3.通过正常的transformer操作计算每个视觉句子中视觉单词之间的特征，那么视觉单词之间的关系用下式来计算：

L代表第L个block，是堆叠block的总数。第一个block中的就是第二步中的

4.图像中所有的单词序列经过transformer之后被表示成：

它表示了所有视觉单词中任意两个单词之间的关系。

 5.在视觉句子等级上，跟ViT一样，我们首先将视觉句子表示成句子序列：

 其中为class token，这些均被初始化为0

6.将之前计算的视觉单词的transformer结果叠加到视觉句子上，得到：

 7.重复之前的transformer步骤，对视觉句子计算句子之间的关系，即：

 在此基础上，TNT的输入和输出可以被表示成：

 2.3位置编码

 空间信息对图像识别来说是非常重要的因素，因此对 sentence embeddings 和word embeddings都添加了位置编码。上面的网络图中可以看到。

 3.实验

3.1TNT on ImageNet

 可视化特征图的结果如下图所示：

3.2图像分类任务

 3.3目标检测任务

 3.4语义分割任务

整理不易，欢迎一键三连！！！