機器之心報道
機器之心編輯部
來自字節(jié)跳動的研究者提出了一種能在現(xiàn)實工業(yè)場景中有效部署的下一代視覺 Transformer，即 Next-ViT。Next-ViT 能像 CNN 一樣快速推斷，并有 ViT 一樣強大的性能。
由于復雜的注意力機制和模型設(shè)計，大多數(shù)現(xiàn)有的視覺 Transformer（ViT）在現(xiàn)實的工業(yè)部署場景中不能像卷積神經(jīng)網(wǎng)絡(luò)（CNN）那樣高效地執(zhí)行。這就帶來了一個問題：視覺神經(jīng)網(wǎng)絡(luò)能否像 CNN 一樣快速推斷并像 ViT 一樣強大？
近期一些工作試圖設(shè)計 CNN-Transformer 混合架構(gòu)來解決這個問題，但這些工作的整體性能遠不能令人滿意?；诖耍瑏碜宰止?jié)跳動的研究者提出了一種能在現(xiàn)實工業(yè)場景中有效部署的下一代視覺 Transformer——Next-ViT。從延遲 / 準確性權(quán)衡的角度看，Next-ViT 的性能可以媲美優(yōu)秀的 CNN 和 ViT。
論文地址：https://arxiv.org/pdf/2207.05501.pdf
Next-ViT 的研究團隊通過開發(fā)新型的卷積塊（NCB）和 Transformer 塊（NTB），部署了友好的機制來捕獲局部和全局信息。然后，該研究提出了一種新型混合策略 NHS，旨在以高效的混合范式堆疊 NCB 和 NTB，從而提高各種下游任務(wù)的性能。
大量實驗表明，Next-ViT 在各種視覺任務(wù)的延遲 / 準確性權(quán)衡方面明顯優(yōu)于現(xiàn)有的 CNN、ViT 和 CNN-Transformer 混合架構(gòu)。在 TensorRT 上，Next-ViT 與 ResNet 相比，在 COCO 檢測任務(wù)上高出 5.4 mAP（40.4 VS 45.8），在 ADE20K 分割上高出 8.2% mIoU（38.8% VS 47.0%）。同時，Next-ViT 達到了與 CSWin 相當?shù)男阅?，并且推理速度提高?3.6 倍。在 CoreML 上，Next-ViT 在 COCO 檢測任務(wù)上比 EfficientFormer 高出 4.6 mAP（42.6 VS 47.2），在 ADE20K 分割上高出 3.5% mIoU（從 45.2% 到 48.7%）。
Next-ViT 的整體架構(gòu)如下圖 2 所示。Next-ViT 遵循分層金字塔架構(gòu)，在每個階段配備一個 patch 嵌入層和一系列卷積或 Transformer 塊?？臻g分辨率將逐步降低為原來的 1/32，而通道維度將按階段擴展。
研究者首先深入設(shè)計了信息交互的核心模塊，并分別開發(fā)強大的 NCB 和 NTB 來模擬視覺數(shù)據(jù)中的短期和長期依賴關(guān)系。NTB 中還進行了局部和全局信息的融合，進一步提高了建模能力。最后，為了克服現(xiàn)有方法的固有缺陷，該研究系統(tǒng)地研究了卷積和 Transformer 塊的集成方式，提出了 NHS 策略，來堆疊 NCB 和 NTB 構(gòu)建新型 CNN-Transformer 混合架構(gòu)。
NCB
研究者分析了幾種經(jīng)典結(jié)構(gòu)設(shè)計，如下圖 3 所示。ResNet [9] 提出的 BottleNeck 塊由于其在大多數(shù)硬件平臺上固有的歸納偏置和易于部署的特性，長期以來一直在視覺神經(jīng)網(wǎng)絡(luò)中占據(jù)主導地位。不幸的是，與 Transformer 塊相比，BottleNeck 塊的有效性欠佳。ConvNeXt 塊 [20] 通過模仿 Transformer 塊的設(shè)計，對 BottleNeck 塊進行了現(xiàn)代化改造。雖然 ConvNeXt 塊提高了網(wǎng)絡(luò)性能，但它在 TensorRT/CoreML 上的推理速度受到低效組件的嚴重限制。Transformer 塊在各種視覺任務(wù)中取得了優(yōu)異的成績，然而 Transformer 塊的推理速度比 TensorRT 和 CoreML 上的 BottleNeck 塊要慢得多，因為其注意力機制比較復雜，這在大多數(shù)現(xiàn)實工業(yè)場景中是難以承受的。
為了克服上述幾種塊的問題，該研究提出了 Next Convolution Block (NCB)，它在保持 BottleNeck 塊的部署優(yōu)勢的同時獲得了 Transformer 塊的突出性能。如圖 3(f) 所示，NCB 遵循 MetaFormer （已被證實對 Transformer 塊至關(guān)重要） 的一般架構(gòu)。
此外，一個高效的基于注意力的 token 混合器同樣重要。該研究設(shè)計了一種多頭卷積注意力（MHCA）作為部署卷積操作的高效 token 混合器，并在 MetaFormer [40] 的范式中使用 MHCA 和 MLP 層構(gòu)建 NCB。
NTB
NCB 已經(jīng)有效地學習了局部表征，下一步需要捕獲全局信息。Transformer 架構(gòu)具有很強的捕獲低頻信號的能力，這些信號能夠提供全局信息（例如全局形狀和結(jié)構(gòu)）。
然而，相關(guān)研究已經(jīng)發(fā)現(xiàn)，Transformer 塊可能會在一定程度上惡化高頻信息，例如局部紋理信息。不同頻段的信號在人類視覺系統(tǒng)中是必不可少的，它們以某種特定的方式融合，以提取更多本質(zhì)和獨特的特征。
受這些已知結(jié)果的影響，該研究開發(fā)了 Next Transformer Block (NTB)，以在輕量級機制中捕獲多頻信號。此外，NTB 可用作有效的多頻信號混頻器，進一步增強整體建模能力。
NHS
近期一些工作努力將 CNN 和 Transformer 結(jié)合起來進行高效部署。如下圖 4(b)(c) 所示，它們幾乎都在淺層階段采用卷積塊，在最后一兩個階段僅堆疊 Transformer 塊，這種結(jié)合方式在分類任務(wù)上是有效的。但該研究發(fā)現(xiàn)這些混合策略很容易在下游任務(wù)（例如分割和檢測）上達到性能飽和。原因是，分類任務(wù)僅使用最后階段的輸出進行預測，而下游任務(wù)（例如分割和檢測）通常依賴每個階段的特征來獲得更好的結(jié)果。這是因為傳統(tǒng)的混合策略只是在最后幾個階段堆疊 Transformer 塊，淺層無法捕獲全局信息。
該研究提出了一種新的混合策略 (NHS)，創(chuàng)造性地將卷積塊 (NCB) 和 Transformer 塊 (NTB) 與 (N + 1) * L 混合范式結(jié)合在一起。NHS 在控制 Transformer 塊比例的情況下，顯著提升了模型在下游任務(wù)上的性能，并實現(xiàn)了高效部署。
首先，為了賦予淺層捕獲全局信息的能力，該研究提出了一種（NCB N+NTB 1）模式混合策略，在每個階段依次堆疊 N 個 NCB 和一個 NTB，如圖 4(d) 所示。具體來說，Transformer 塊 (NTB) 放置在每個階段的末尾，使得模型能夠?qū)W習淺層中的全局表征。該研究進行了一系列實驗來驗證所提出的混合策略的優(yōu)越性，不同混合策略的性能如下表 1 所示。
此外，如下表 2 所示，大模型的性能會逐漸達到飽和。這種現(xiàn)象表明，通過擴大 (NCB N + NTB 1) 模式的 N 來擴大模型大小，即簡單地添加更多的卷積塊并不是最佳選擇，（NCB N + NTB 1）模式中的 N 值可能會嚴重影響模型性能。
因此，研究者開始通過廣泛的實驗探索 N 的值對模型性能的影響。如表 2（中）所示，該研究在第三階段構(gòu)建了具有不同 N 值的模型。為了構(gòu)建具有相似延遲的模型以進行公平比較，該研究在 N 值較小時堆疊 L 組 (NCB N + NTB 1) 模式。
如表 2 所示，第三階段 N = 4 的模型實現(xiàn)了性能和延遲之間的最佳權(quán)衡。該研究通過在第三階段擴大 (NCB 4 + NTB 1) L 模式的 L 來進一步構(gòu)建更大的模型。如表 2（下）所示，Base（L = 4）和 Large（L = 6）模型的性能相對于小模型有顯著提升，驗證了所提出的（NCB N + NTB 1） L 模式的一般有效性。
最后，為了提供與現(xiàn)有 SOTA 網(wǎng)絡(luò)的公平比較，研究者提出了三個典型的變體，即 Next-ViTS/B/L。
實驗結(jié)果
ImageNet-1K 上的分類任務(wù)
與最新的 SOTA 方法（例如 CNN、ViT 和混合網(wǎng)絡(luò)）相比，Next-ViT 在準確性和延遲之間實現(xiàn)了最佳權(quán)衡，結(jié)果如下表 4 所示。
ADE20K 上的語義分割任務(wù)
該研究將 Next-ViT 與 CNN、ViT 和最近一些混合架構(gòu)針對語義分割任務(wù)進行了比較。如下表 5 所示，大量實驗表明，Next-ViT 在分割任務(wù)上具有出色的潛力。
目標檢測和實例分割
在目標檢測和實例分割任務(wù)上，該研究將 Next-ViT 與 SOTA 模型進行了比較，結(jié)果如下表 6 所示。
消融實驗和可視化
為了更好地理解 Next-ViT，研究者通過評估其在 ImageNet-1K 分類和下游任務(wù)上的性能來分析每個關(guān)鍵設(shè)計的作用，并將輸出特征的傅里葉譜和熱圖可視化，以顯示 Next-ViT 的內(nèi)在優(yōu)勢。
如下表 7 所示，NCB 在所有三個任務(wù)上實現(xiàn)了最佳延遲 / 準確性權(quán)衡。
對于 NTB 塊，該研究探討了 NTB 的收縮率 r 對 Next-ViT 整體性能的影響，結(jié)果如下表 8 所示，減小收縮率 r 將減少模型延遲。
此外，r = 0.75 和 r = 0.5 的模型比純 Transformer (r = 1) 的模型具有更好的性能。這表明以適當?shù)姆绞饺诤隙囝l信號將增強模型的表征學習能力。特別是，r = 0.75 的模型實現(xiàn)了最佳的延遲 / 準確性權(quán)衡。這些結(jié)果說明了 NTB 塊的有效性。
該研究進一步分析了 Next-ViT 中不同歸一化層和激活函數(shù)的影響。如下表 9 所示，LN 和 GELU 雖然帶來一些性能提升，但在 TensorRT 上的推理延遲明顯更高。另一方面，BN 和 ReLU 在整體任務(wù)上實現(xiàn)了最佳的延遲 / 準確性權(quán)衡。因此，Next-ViT 統(tǒng)一使用 BN 和 ReLU，以便在現(xiàn)實工業(yè)場景中進行高效部署。
最后，該研究可視化了 ResNet、Swin Transformer 和 Next-ViT 的輸出特征的傅里葉譜和熱圖，如下圖 5(a) 所示。ResNet 的頻譜分布表明卷積塊傾向于捕獲高頻信號、難以關(guān)注低頻信號；ViT 擅長捕捉低頻信號而忽略高頻信號；而Next-ViT 能夠同時捕獲高質(zhì)量的多頻信號，這顯示了 NTB 的有效性。
此外，如圖 5（b）所示，Next-ViT 能比 ResNet 和 Swin 捕獲更豐富的紋理信息和更準確的全局信息，這說明 Next-ViT 的建模能力更強。
