CycleMLP:一种用于密集预测的mlp架构

66 阅读 0 评论 44 点赞

我是靠谱客的博主生动皮卡丘，最近开发中收集的这篇文章主要介绍CycleMLP:一种用于密集预测的mlp架构，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

CycleMLP由香港大学、商汤科技研究院和上海人工智能实验室共同开发，在2022年ICLR上发布。

MLP-Mixer, ResMLP和gMLP，其架构与图像大小相关，因此在目标检测和分割中是无法使用的。而CycleMLP有两个优点。(1)可以处理各种大小的图像。(2)利用局部窗口实现了计算复杂度与图像大小的线性关系。

Cycle FC

Cycle Fully-Connected Layer (Cycle FC) 和 Channel FC 、Spatial FC比较

Channel FC:在空间大小为“1”的通道维度上聚合特征。它可以处理各种输入尺度，但不能学习空间上下文。
Spatial FC (MLP-Mixer, ResMLP， & gMLP):在空间维度上有一个全局感受野。但是它的参数大小是固定的，并且对图像尺度具有二次计算复杂度。
论文的Cycle FC:具有与通道FC相同的线性复杂度和比通道FC更大的感受野。
(d)-(f)为三个不同步长示例:橙色块表示采样位置。F表示输出位置。为了简单起见省略了批处理尺寸，并将特征的宽度设置为1。

在保持计算效率的同时，扩大mlp类模型的接受域，以应对下游密集的预测任务。

Cycle FC引入(SH, SW)的感受野，其中SH和SW分别为步长，随高度和宽度维数变化。基本的Cycle FC算子可以表述为:

大小为 Cin×Cout 的 Wmlp 和大小为 Cout 的 b 是Cycle FC的参数。δi©和δj©为第c通道上两轴的空间偏移量，定义如下：

上图中(d)表示SH=3时沿两轴的偏移量，即δj©=0， δi©={- 1,0,1， - 1,0,1，…}，当c= 0,1,2，…，8时。(e)表示当SH=H时，周期FC具有全局感受野。(f)表示当SH=1时，沿任何轴都没有偏移，因此Cycle FC退化为Channel FC。

上表所示，更大的感受野带来了对语义分割和对象检测等密集预测任务的改进。同时，Cycle FC在输入分辨率上仍然保持了计算效率和灵活性，flop和参数数均与空间尺度呈线性关系。

与Transformer中的MHSA比较

受 Cordonnier ICLR’20 的启发，具有 Nh 个头的多头自注意力 (MHSA) 层可以表示如下，类似于具有以下内核大小的卷积：

Wmlp与Wmhsa的关系可以表述为:

Cycle FC中的参数size为Cin×Cout, Wmhsa为K×K×Cin×Cout。Cycle FC还引入了一个归纳偏差，即MHSA中的权重矩阵应该是稀疏的。

CycleMLP

CycleMLP在MViT和PVTv2的基础上，采用了窗口大小为7，步幅为4的重叠补丁嵌入模块。这些原始补丁通过线性嵌入层依次应用几个Cycle FC 块进一步投影到更高维度（表示为 C）。。

Cycle FC块由三个并行的Cycle FC组成，它们的步长为1×7、7×1和1×1的SH×SW。该设计的灵感来自卷积的分解(Inception-v3)和交叉注意(CCNet)。

然后是一个通道 MLP，它有两个线性层，中间使用GELU激活。在并行Cycle FC 层和通道 MLP 模块之前应用 Layer Norm (LN) 层。在每个模块之后应用残差连接 (ResNet)。

在每个阶段转换中，所处理的令牌的通道容量被扩展，而令牌的数量被减少。总共有4个阶段。

模型参数如下

两个模型遵循两种广泛使用的Transformer架构PVT和Swin构建，如上图，其中Si、Ci、Ei、Li分别代表transition的步长、token通道维度、block数量、第I阶段的膨胀率。

PVT-style 中的模型命名为 CycleMLP-B1 至 CycleMLP-B5，Swin-Style 中的模型命名为 CycleMLP-T、-S 和 -B，分别代表 tiny、small 和 base 尺寸的模型。

结果

ImageNet

下图是mlp类模型的ImageNet-1K分类（左）。与没有额外数据的ImageNet-1K上的SOTA模型的比较（右）。

CycleMLP的精度- flop权衡始终优于现有的类似mlp的模型。并且实现了与Swin Transformer相当的性能。

在ImageNet-1K分类中，GFNet具有与CycleMLP相似的性能。打不世故GFNet与输入分辨率相关，这可能会影响密集预测的性能。

消融实验

左:移除三个平行分支中的一个后，top-1的精度显著下降，特别是在丢弃1×7或7×1分支时。

右:当步长为7时，CycleMLP在ADE20K上的mIoU最高。

分辨率的适应性。左:绝对top-1精度;右:相对于224测试的精度差异。与DeiT和GFNet相比，CycleMLP在分辨率变化时具有更强的鲁棒性。在较高的分辨率下，CycleMLP的性能下降比GFNet小。

目标检测与实例分割

在相似的参数约束下，基于cyclemlp的RetinaNet一直优于基于cnn的ResNet、ResNeXt和基于transformer的PVT。使用Mask R-CNN进行实例分割也得到了相似的比较结果。

CycleMLP还实现了比Swin Transformer稍好的性能。

语义分割

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-anpQFlPn-1674010595616)(http://images.overfit.cn/upload/20230118/332286c358cd4b439852122cbc6bb1fe.png)]

左:ADE20K验证集上使用FPN的语义分割。右:有效感受野(ERF)

在ADE20K验证集上使用UPerNet对不同主干进行语义分割的结果

在相似参数下，CycleMLP的性能明显优于ResNet和PVT。与Swin Transformer相比，CycleMLP可以获得与Swin Transformer相当甚至更好的性能。虽然GFNet在ImageNet分类上的性能与CycleMLP相似，但在ADE20K上，CycleMLP的性能明显优于GFNet。

鲁棒性