【计算机视觉】Vision Transformer （ViT）详细解析

文章目录

  • 【计算机视觉】Vision Transformer （ViT）详细解析
    • 1. 介绍
    • 2. VIT 模型
      • 2.1 图像分块处理 (make patches)
      • 2.2 图像块嵌入与位置编码
        • 2.2.1 图像块嵌入 (patch embedding)
        • 2.2.2 位置编码 (position encoding)
      • 2.3 Transformer Encoder（编码器）
      • 2.4 MLP Head（全连接头）
      • 2.5 全过程维度变化
    • 3. ViT 模型结构细节图
      • 3.1 ViT-B/16
      • 3.2 ViT–Hybrid 模型
    • 4. 实验
      • 4.1 ViT 训练
      • 4.2 ViT 实验 1—预训练数据集 和 大模型
      • 4.3 ViT 实验 2—Hybrid 和 纯 ViT
    • 参考

1. 介绍

论文地址：An Image Is Worth 16×16 Words: Transformers For Image Recognition At Scale
code地址：github.com/google-research/vision_transformer

Transformer 最早提出是针对NLP领域的，并且在NLP领域引起了强烈的轰动。

  • 提出ViT模型的这篇文章题名为 《An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale》，发表于2020年10月份；
  • 虽然相较于一些Transformer的视觉任务应用模型 (如DETR) 提出要晚了一些，但作为一个纯Transformer结构的视觉分类网络，其工作还是有较大的开创性意义的。
  • 关于Transformer的部分理论之前的博文中有讲 Transformer 结构细节理论解析。
  • 这篇文章实验中，给出的最佳 vit 模型（先在Google的JFT数据集上进行了预训练）然后在ImageNet1K（finetune）上能够达到88.55%的准确率，说明Transformer在CV领域确实是有效的，而且效果还挺惊人。

2. VIT 模型

ViT的核心流程包括：

  • 图像分块处理 (make patches)
  • 图像块嵌入 (patch embedding)与位置编码、
  • Transformer编码器
  • MLP分类处理等4个主要部分。

下面分别从这四个流程部分来阐述ViT的基本设计。

2.1 图像分块处理 (make patches)

第一步可以看作是一个图像预处理步骤。

  • 在CNN中，直接对图像进行二维卷积处理即可，不需要特殊的预处理流程。
  • 但Transformer结构不能直接处理图像，在此之前需要对其进行分块处理。（序列化）

假设一个图像 I ∈ H × W × CI∈H×W×CI∈H×W×C，

  • 现在将其分成大小为 P×P×C的patchesP×P×C 的patches P×P×C的patches，那么就会有 N= HWP2 N= \frac{HW}{P^2} N=P2HW​ 个patches，全部patches的维度就可以写为 N×P×P×CN×P×P×C N×P×P×C。
  • 然后将每个patch进行展平，相应的数据维度就可以写为 N×( P 2×C)N×(P^2×C) N×(P2×C)，也就是shape变成了（N, P 2×CN, P^2×C N,P2×C）。

这里 NNN 可以理解为输入到Transformer的序列长度， CCC 为输入图像的通道数， PPP 为图像patch的大小。（这样也就符合了transformer的输入）

2.2 图像块嵌入与位置编码

2.2.1 图像块嵌入 (patch embedding)

2.1 中的图像分块仅仅是一道预处理流程，要将 N × ( P2× C )N×(P^2×C)N×(P2×C) 的向量维度，转化为N×D大小的二维输入，还需要做一个图像块嵌入的操作。

  • 类似NLP中的词嵌入，块嵌入也是一种将高维向量转化为低维向量的方式。

所谓图像块嵌入，其实就是对每一个展平后的 patch 向量做一个线性变换，即全连接层，降维后的维度为D。

上式中的 EEE 即为块嵌入的全连接层，其输入大小为 P2× CP^2×CP2×C（一维），输出大小为D（也是一维）。

  • 值得注意的是，上式中给长度为 NN N 的向量还追加了一个分类向量，用于Transformer训练过程中的类别信息学习。
  • 假设将图像分为 9个patch，即 N=9，输入到Transformer编码器中就有9个向量，但对于这9个向量而言，该取哪一个向量做分类预测呢？取哪一个都不合适。
  • 一个合理的做法就是人为添加一个类别向量，该向量是可学习的嵌入向量，与其他9个patch嵌入向量一起输入到Transformer编码器中，最后取第一个向量作为类别预测结果。
  • 所以，这个追加的向量可以理解为其他9个图像patch寻找的类别信息。
2.2.2 位置编码 (position encoding)

为了保持输入图像patch之间的空间位置信息，还需要对图像块嵌入中添加一个位置编码向量，如上式中的 E p o s E_{pos}Epos​ 所示。

  • ViT的位置编码没有使用更新的2D位置嵌入方法，而是直接用的一维可学习的位置嵌入变量，
  • 原因是论文作者发现实际使用时2D并没有展现出比1D更好的效果。

2.3 Transformer Encoder（编码器）

Vit中所使用的Transformer 编码器结构和原文《Attention is all you need》中的一致，理论细节可以参考Transformer 详解。

  • 主要还是使用了多头注意力机制；
  • 另外，不像nlp领域中的翻译任务，vit 没有利用解码器的结构。

Transformer Encoder 其实就是重复堆叠 Encoder Block L次，下图是绘制的Encoder Block，主要由以下几部分组成：

  • Layer Norm，这种Normalization方法主要是针对NLP领域提出的，这里是对每个token进行Norm处理，之前也有讲过Layer Norm不懂的可以参考LRN，BN，LN, IN, GN, FRN, WN, BRN, CBN, CmBN 详解
  • Multi-Head Attention，这个结构之前在讲Transformer中很详细的讲过，不在赘述，不了解的可以参考 Transformer 详解。
  • Dropout/DropPath，在原论文的代码中是直接使用的Dropout层，在但rwightman实现的代码中使用的是DropPath（stochastic depth），可能后者会更好一点。
  • MLP Block，如右图所示，就是全连接+GELU激活函数+Dropout组成也非常简单，需要注意的是第一个全连接层会把输入节点个数翻4倍[197, 768] -> [197, 3072]，第二个全连接层会还原回原节点个数[197, 3072] -> [197, 768]。

2.4 MLP Head（全连接头）

上面通过Transformer Encoder 后输出的shape和输入的shape是保持不变的，以ViT-B/16为例，输入的是[197, 768]输出的还是[197, 768]。

  • 注意，在Transformer Encoder后其实还有一个Layer Norm没有画出来，后面有细画的 ViT 的模型可以看到详细结构。
  • 这里我们只是需要分类的信息，所以我们只需要提取出[class]token生成的对应结果就行，即[197, 768]中抽取出 [class]token（也就是添加的分类向量） 对应的[1, 768]。
  • 接着我们通过MLP Head得到我们最终的分类结果。MLP Head原论文中说在训练ImageNet21K时是由Linear+tanh激活函数+Linear组成。
  • 但是迁移到ImageNet1K上或者你自己的数据上时，只用一个Linear即可。

2.5 全过程维度变化

为了更加清晰的展示ViT模型结构和训练过程中的向量变化，下图给出了ViT的向量维度变化图（图来自于极市平台）。

3. ViT 模型结构细节图

3.1 ViT-B/16

为了方便大家理解，太阳花的小绿豆 根据源代码画了张更详细的图 （以ViT-B/16为例）：

3.2 ViT–Hybrid 模型

在论文4.1章节的Model Variants中有比较详细的讲到 Hybrid混合模型，

  • 就是将传统CNN特征提取和Transformer进行结合。

下图 太阳花的小绿豆 绘制的是以ResNet50作为特征提取器的混合模型，但这里的Resnet与之前讲的Resnet有些不同。

  • 首先这里的R50的卷积层采用的StdConv2d不是传统的Conv2d，然后将所有的BatchNorm层替换成GroupNorm层。
  • 在原Resnet50网络中，stage1重复堆叠3次，stage2重复堆叠4次，stage3重复堆叠6次，stage4重复堆叠3次，但在这里的R50中，把stage4中的3个Block移至stage3中，所以stage3中共重复堆叠9次。

通过R50 Backbone进行特征提取后，得到的特征矩阵shape是[14, 14, 1024]，接着再输入Patch Embedding层，注意Patch Embedding中卷积层Conv2d的kernel_size和stride都变成了1，只是用来调整channel。后面的部分和前面ViT中讲的完全一样，就不在赘述。

4. 实验

4.1 ViT 训练

1）ViT的基本训练策略是：

  • 在大数据集上先做预训练，
  • 然后在小数据集上做迁移使用。

2）ViT做预训练使用到的大数据集包括：

  • ILSVRC-2012 ImageNet dataset：1000 classes
  • ImageNet-21k：21k classes
  • JFT：18k High Resolution Images

其中JFT是一个谷歌的内部大规模图像数据集，约有300M图像18291个类别标注。

3）ViT预训练迁移到的数据集包括：

  • CIFAR-10/100
  • Oxford-IIIT Pets
  • Oxford Flowers-102
  • VTAB
  • ImageNet

4）论文共设计了Base、Large和Huge三款不同大小的ViT模型，分别表示基础模型、大模型和超大模型，三款模型的各参数如下表所示。在源码中除了有Patch Size为16×16的外还有32×32的。

  • 其中的 Layers就是Transformer Encoder中重复堆叠Encoder Block的次数，
  • Hidden Size就是对应通过Embedding层后每个token的dim（向量的长度），
  • MLP size是Transformer Encoder中MLP Block第一个全连接的节点个数（是Hidden Size的四倍），
  • Heads代表Transformer中Multi-Head Attention的heads数。

    注：若为ViT-B/16 就表示patch size为16的 ViT-Base模型。

4.2 ViT 实验 1—预训练数据集 和 大模型

ViT最核心的实验就是将前述的训练方法进行实现，

  • 即在大规模数据集上预训练后迁移到小数据集上看模型效果。

为了比对CNN模型，

  • 论文特地用了Big Transfer (BiT)，该模型使用大的ResNet进行监督迁移学习，是2020 ECCV上提出的一个大CNN模型。
  • 另外一个比对CNN模型是2020年CVPR上的Noisy Student模型，是一个半监督的大型CNN模型。

ViT、BiT 和 Nosiy Student 模型经三大数据集预训练后在各小数据集上的准确率如下表所示。

从表中可以看到，ViT经过大数据集的预训练后，

  • 在各小数据集上的迁移后准确率超过了一些SOTA CNN模型的结果。
  • 但要取得这种超越CNN的性能效果，需要大的预训练数据集和大模型的结合。

问题：所以接下来的问题就是 ViT 对预训练数据集规模到底有怎样的要求？

论文针对此问题做了一个对比实验。分别在ImageNet、ImageNet-21k和JFT-300M进行预训练，三个数据集规模分别为小数据集、中等规模数据集和超大数据集，预训练效果如下图所示。

从图中可以看到，

  • 在最小的数据集ImageNet上进行预训练时，尽管作者加了大量的正则化操作，ViT-Large模型性能不如ViT-base模型，更远不如BiT的性能。
  • 在中等规模的ImageNet-21k数据集上，大家的表现都差不多，
  • 只有到了JFT-30M这样的超大数据集上，ViT模型才能发挥出它的优势和效果。

总之，大的预训练数据集加上大模型，是ViT取得SOTA性能的关键因素。

4.3 ViT 实验 2—Hybrid 和 纯 ViT

下表是论文用来对比ViT，Resnet（和刚刚讲的一样，使用的卷积层和Norm层都进行了修改）以及Hybrid模型的效果。通过对比发现，在训练epoch较少时Hybrid优于ViT，但当epoch增大后ViT优于Hybrid。

参考

【1】https://blog.csdn.net/weixin_37737254/article/details/117639395
【2】https://blog.csdn.net/qq_37541097/article/details/118242600