Transformer 作為一種基于注意力的編碼器 - 解碼器架構，不僅徹底改變了自然語言處理（NLP）領域，還在計算機視覺（CV）領域做出了一些開創性的工作。與卷積神經網絡（CNN）相比，視覺 Transformer（ViT）依靠出色的建模能力，在 ImageNet、COCO 和 ADE20k 等多個基準上取得了非常優異的性能。

近日，一位名為 Nikolas Adaloglou 的博主撰寫了一篇博客長文，綜述了 ViT 領域的進展以及 ViT 與其他學科的交叉應用。

本文作者 Nikolas Adaloglou。

Nikolas Adaloglou 是一名機器學習工程師，他對和 AI 相關的 3D 醫學成像、圖像和視頻分析、基于圖的深度學習模型以及生成式深度學習感興趣，致力于借助機器學習推動醫學工程的發展。

以下是博客原文：

ViT 的靈感來源于自然語言處理中的自注意力機制，其中將詞嵌入替換成了 patch 嵌入。

以合理的規模訓練 ViT

知識蒸餾

在 Kaggle 等深度學習競賽中，集成（ensemble）是非常流行的一種方法。集成大體上是指平均多個已訓練模型的輸出以進行預測。這種簡單的方法非常適合提高測試時的性能，然而它在推理過程中會慢 N 倍（其中 N 表示模型數量）。當在嵌入式設備中部署此類神經網絡時，這就成了一個棘手的問題。解決這個問題常用的一種方法是知識蒸餾。

在知識蒸餾中，小模型（學生模型）通常是由一個大模型（教師模型）監督，算法的關鍵是如何將教師模型的知識遷移給學生模型。

盡管沒有足夠的基礎理論支持，但知識蒸餾已被證明是一種非常有效的技巧。關于為什么集成的輸出分布能提供與集成相當的測試性能，還有待發現。而使用集成的輸出（略有偏差的平滑標簽）相對于真實標簽存在性能增益，這更加神秘。

DeiT 模型通過注意力訓練數據高效的圖像 Transformer 和蒸餾，這表明在沒有外部數據的情況下，僅在 ImageNet 上訓練 ViT 是可以的。該研究使用來自 Resnet 的已訓練好的 CNN 模型作為單一教師模型。直觀地講，強大的數據假設（歸納偏置）讓 CNN 比 ViT 更適合做教師網絡。

自蒸餾

令人驚訝的是，有研究發現類似方法也可以通過對同一架構的單個模型（教師網絡）進行知識蒸餾來實現。這個過程被稱為自蒸餾，來自于 Zhang et al.2019 年的論文《Be Your Own Teacher: Improve the Performance of Convolutional Neural Networks via Self Distillation》。自蒸餾就是一種 N=1 的知識蒸餾，自蒸餾（使用具有相同架構的單個訓練模型）也可以提高測試準確率。

ViT 的 Hard-label 蒸餾：DeiT 訓練策略

在這種方法中，一個額外的可學習全局 token（即蒸餾 token），與 ViT 的 patch 嵌入相連。最關鍵的是，蒸餾 token 來自訓練有素的教師 CNN 主干網絡。通過將 CNN 特征融合到 Transformer 的自注意力層中，研究者們在 Imagenet 的 1M 數據上訓練 DeiT。

DeiT 模型概覽。

DeiT 使用如下損失函數進行訓練：

其中 CE 是交叉熵損失函數，σ 是 softmax 函數。Z_cls 和 Z_distill 分別是來自類 token 和蒸餾 token 的學生模型的輸出，ytrue 和 yteacher 分別是 ground truth 和教師模型的輸出。

這種蒸餾技術使模型用更少的數據獲得超強的數據增強，這可能會導致 ground truth 標簽不精確。在這種情況下，教師網絡似乎會產生更合適的標簽。由此產生的模型系列，即數據高效圖像 Transformer（DeiTs），在準確率 / 步長時間上與 EfficientNet 相當，但在準確率 / 參數效率上仍然落后。

除了蒸餾，還有一些研究大量使用圖像增強來彌補缺乏可用的額外數據。此外，DeiT 依賴于隨機深度等數據正則化技術。最終，強大的增強和正則化限制了 ViT 在小數據機制中的過擬合趨勢。

Pyramid 視覺 Transformer

Pyramid 視覺 Transformer（PVT）的總體架構。

為了克服注意力機制的二次復雜度，Pyramid 視覺 Transformer（PVT）采用一種稱為空間減少注意力 (SRA) 的自注意力變體。其特征是鍵和值的空間減少，類似于 NLP 領域的 Linformer 注意力。

通過應用 SRA，整個模型的特征空間維度緩慢減少，并通過在所有 transformer block 中應用位置嵌入來增強順序的概念。PVT 已被用作目標檢測和語義分割的主干網絡，以處理高分辨率圖像。

后來，該研究團隊推出改進版 PVT-v2，主要改進如下：

• 重疊 patch 嵌入；
• 卷積前饋網絡；
• 線性復雜度自注意力層。

重疊 patch 是改進 ViT 的一個簡單而通用的想法，尤其是對于密集任務（例如語義分割）。通過利用重疊區域 /patch，PVT-v2 可以獲得圖像表征的更多局部連續性。

全連接層（FC）之間的卷積消除了每一層中對固定大小位置編碼的需要。具有零填充（zero padding，p=1）的 3x3 深度卷積 (p=1) 旨在補償模型中位置編碼的移除（它們仍然存在，但只存在于輸入中）。此過程可以更靈活地處理多種圖像分辨率。

最后，使用鍵和值池化（p=7)，自注意力層就減小到了與 CNN 類似的復雜度。

Swin Transformer：

使用移位窗口的分層視覺 Transformer

Swin Transformer 旨在從標準 NLP transformer 中建立局部性的思想，即局部或窗口注意力：

在 Swin Transformer 中，局部自注意力被用于非重疊窗口。下一層的窗口到窗口通信通過逐步合并窗口來產生分層表征。

如上圖所示，左側是第一層的常規窗口分區方案，其中在每個窗口內計算自注意力。右側第二層中的窗口分區被移動了 2 個圖像 patch，導致跨越了先前窗口的邊界。

局部自注意力隨圖像大小線性縮放 O (M*N) 而不是 O (N^2)，在用于序列長度 N 和 M 窗口大小。

通過合并添加許多局部層，有一個全局表示。此外，特征圖的空間維度已顯著降低。作者聲稱在 ImageNet-1K 和 ImageNet-21K 上都取得了有希望的結果。

視覺 Transformer 的自監督訓練：DINO

Facebook AI 的研究提出了一個強大的框架用于訓練大規模視覺數據。提議的自監督系統創建了如此強大的表征，你甚至不需要在上面微調線性層。這是通過在數據集的凍結訓練特征上應用 K - 最近鄰 (NN) 來觀察到的。作者發現，訓練有素的 ViT 可以在沒有標簽的情況下在 ImageNet 上達到 78.3% 的 top-1 準確率。

該自監督框架如下圖所示：

與其他自監督模型相比，他們使用了交叉熵損失，就像在典型的自蒸餾場景中所做的那樣。盡管如此，這里的教師模型是隨機初始化的，其參數是根據學生參數的指數移動平均值更新的。為了讓它 work，研究者將帶溫度參數的 softmax 應用于具有不同溫度的教師和學生模型。具體來說，教師模型得到的溫度參數更小，這意味著更敏銳的預測。最重要的是，他們使用了從 SWAV 中獲得的多重裁剪方法，效果更佳，在這種情況下教師只能看到全局視圖，而學生可以訪問轉換后的輸入圖像的全局和局部視圖。

對于 CNN 架構來說，該框架并不像對視覺 Transformer 那樣有益。那又該如何從圖像中提取什么樣的特征？

作者將經過訓練的 VIT 的自注意力頭輸出可視化。這些注意力圖說明模型自動學習特定于類的特征，導致無監督的對象分割，例如前景與背景。

此屬性也出現在自監督預訓練的卷積神經網絡中，但需要一種特殊的方法來可視化特征。更重要的是，自注意力頭學習補充信息并通過為每個頭部使用不同的顏色來說明。默認情況下，這根本不是通過自注意力獲得的。

DINO 多注意力頭可視化。

Scaling 視覺 Transformer

深度學習和規模是相關的。事實上，規模是很多 SOTA 實現的關鍵因素。在這項研究中，來自 Google Brain Research 的作者訓練了一個稍微修改過的 ViT 模型，它有 20 億個參數，并在 ImageNet 上達到了 90.45 % 的 top-1 準確率。這種過度參數化的一般化模型在少樣本學習上進行了測試，每類只有 10 個示例情況下。在 ImageNet 上達到了 84.86% 的 top-1 準確率。

小樣本學習是指在樣本數量極其有限的情況下對模型進行微調。小樣本學習的目標通過將獲得的預訓練知識稍微適應特定任務來激勵泛化。如果成功地預訓練了大型模型，那么在對下游任務非常有限的理解（僅由幾個示例提供）的情況下表現良好是有意義的。

以下是本文的一些核心貢獻和主要結果：

• 模型大小可能會限制表征質量，前提是有足夠的數據來提供它；
• 大型模型受益于額外的監督數據，甚至超過 1B 圖像。

上圖描繪了從 300M 圖像數據集 (JFT-300M) 切換到 30 億圖像 (JFT-3B) 而不進行任何進一步縮放的效果。中型 (B/32) 和大型 (L/16) 模型都受益于添加數據，大致是一個常數因子。結果是在整個訓練過程中通過小樣本（線性）評估獲得的。

• 大模型的樣本效率更高，以更少的可見圖像達到相同的錯誤率水平。
• 為了節省內存，他們刪除了類 token (cls)。相反，他們評估了全局平均池化和多頭注意力池化，以聚合所有 patch token 的表征。
• 他們對頭部和稱為「主干」的其余層使用了不同的權重衰減。作者在下圖中很好地證明了這一點。框值是小樣本精度，而橫軸和縱軸分別表示主干和頭部的權重衰減。令人驚訝的是，頭部的更強衰減會產生最好的結果。作者推測，頭部的強烈權重衰減會導致表示具有更大的類之間的余量。

這或許是可以更廣泛地應用于預訓練 ViT 的最有趣的發現。

他們在訓練開始時使用了熱身階段，在訓練結束時使用了冷卻階段，其中學習率線性退火為零。此外，他們使用了 Adafactor 優化器，與傳統的 Adam 相比，內存開銷為 50%。

在同一個波長，你可以找到另一個大規模的研究：《如何訓練你的 ViT？視覺 Transformer 中的數據、增強和正則化》（How to train your ViT? Data, Augmentation, and Regularization in Vision Transformers）

替代自注意力：獨立 token + 通道混合方式

眾所周知，自注意力可以作為一種具有快速權重的信息路由機制。到目前為止，有 3 篇論文講述了同樣的故事：用 2 個信息混合層替換自注意力；一種用于混合 token（投影 patch 向量），一種用于混合通道 / 特征信息。

MLP-Mixer

MLP-Mixer 包含兩個 MLP 層：第一個獨立應用于圖像 patch（即「混合」每個位置的特征），另一個跨 patch（即「混合」空間信息）。

MLP-Mixer 架構。

XCiT：互協方差圖像 Transformer

另一個是最近的架構 XCiT，旨在修改 ViT 的核心構建 block：應用于 token 維度的自注意力。

XCiT 架構。

XCA：對于信息混合，作者提出了一種交叉協方差注意力 (XCA) 函數，該函數根據 token 的特征維度而不是根據其本身進行操作。重要的是，此方法僅適用于 queries、keys、values 集的 L2 歸一化。L2 范數用 K 和 Q 字母上方的 hat 表示。乘法的結果在 softmax 之前也歸一化為 [-1,1] 。

局部 Patch 交互：為了實現 patch 之間的顯式通信，研究者添加了兩個 depth-wise 3×3 卷積層，中間有批歸一化和 GELU 非線性。Depth-wise 卷積獨立應用于每個通道（這里的 patch）。

ConvMixer（加鏈接：patch 成為了 ALL You Need？挑戰 ViT、MLP-Mixer 的簡單模型來了）

自注意力和 MLP 理論上是更通用的建模機制，因為它們允許更大的感受野和內容感知行為。盡管如此，卷積的歸納偏差在計算機視覺任務中具有不可否認的成果。

受此啟發，研究者提出了另一種基于卷積網絡的變體，稱為 ConvMixer。主要思想是它直接對作為輸入的 patch 進行操作，分離空間和通道維度的混合，并在整個網絡中保持相同的大小和分辨率。

更具體地說，depthwise 卷積負責混合空間位置，而逐點卷積（1x1x 通道內核）用于混合通道位置，如下圖所示：

通過選擇較大的內核大小來創建較大的感受野，可以實現遠距離空間位置的混合。

多尺度視覺 Transformer

CNN 主干架構受益于通道的逐漸增加，同時降低了特征圖的空間維度。類似地，多尺度視覺 Transformer (MViT) 利用了將多尺度特征層次結構與視覺 Transformer 模型相結合的想法。在實踐中，作者從 3 個通道的初始圖像大小開始，逐漸擴展（分層）通道容量，同時降低空間分辨率。

因此，創建了一個多尺度的特征金字塔。直觀地說，早期層將學習高空間與簡單的低級視覺信息，而更深層負責復雜的高維特征。

視頻分類：Timesformer

在圖像任務成功后，視覺 Transformer 被應用于視頻識別。這里介紹兩種架構：

用于視頻識別的基于 block 與基于架構 / 基于模塊的時空注意力架構。

• 右圖：縮小架構級別。所提出的方法將空間 Transformer 應用于投影圖像 block，然后有另一個網絡負責捕獲時間相關性。這類似于基于視頻處理的 CNN+LSTM 獲勝策略。
• 左圖：可以在自注意力級別實現的時空注意力，紅框中是最佳組合。通過首先將圖像幀視為 token 來在時域中順序應用注意力。然后，在 MLP 投影之前應用兩個空間維度的組合空間注意力。下面是該方法的 t-SNE 可視化：

使用 Timesformer t-SNE 進行特征可視化。

「每個視頻都可視化為一個點。屬于同一動作類別的視頻具有相同的顏色。具有分割時空注意力的 TimeSformer 比具有僅空間注意力或 ViT 的 TimeSformer 在語義上學習更多可分離的特征。」

語義分割中的 ViT：SegFormer

英偉達提出了一種配置良好的設置，名為 SegFormer。SegFormer 的設計組件很有趣。首先，它由一個輸出多尺度特征的分層 Transformer 編碼器組成。其次，它不需要位置編碼，因為當測試分辨率與訓練不同時，這會降低性能。

SegFormer 使用一個超級簡單的 MLP 解碼器來聚合編碼器的多尺度特征。與 ViT 不同的是，SegFormer 采用了小的圖像 patch，例如 4 x 4 這種，眾所周知，這有利于密集預測任務。所提出的 Transformer 編碼器輸出 1/4、1/8、1/16、1/32 多級特征的原始圖像分辨率。這些多級特征提供給 MLP 解碼器來預測分割掩碼。

Mix-FFN：為了減輕位置編碼的影響，研究者使用 零填充的 3 × 3 卷積層來泄漏位置信息。Mix-FFN 可以表述為：

高效的自注意力是 PVT 中提出的，它使用縮減比率來減少序列的長度。結果可以通過可視化有效感受野 (ERF) 來定性測量：

「SegFormer 的編碼器自然地產生局部注意力，類似于較低階段的卷積，同時能夠輸出高度非局部注意力，有效地捕捉第 4 階段的上下文。如放大補丁所示，MLP 頭部（藍色框）的 ERF 與 Stage-4（紅色框）不同，除了非局部注意力之外，局部注意力明顯更強。」

醫學成像中的視覺 Transformer：Unet + ViT = UNETR

盡管在醫學成像方面還有其他嘗試，但 UNETR 提供了最有說服力的結果。在這種方法中，ViT 適用于 3D 醫學圖像分割。研究表明，簡單的適應足以改善幾個 3D 分割任務的基線。

本質上，UNETR 使用 Transformer 作為編碼器來學習輸入音頻的序列表示。與 Unet 模型類似，它旨在有效捕獲全局多尺度信息，這些信息可以通過長殘差連接傳遞給解碼器，以不同的分辨率形成殘差連接以計算最終的語義分割輸出。

UNETR 架構。

以下是論文的一些分割結果：