乐趣区

关于算法:FPT又是借鉴Transformer这次多方向融合特征金字塔-ECCV-2020

jiezi

论文提出用于特色金字塔的高效特色交互办法 FPT，蕴含 3 种精心设计的特色加强操作，别离用于借鉴层内特色进行加强、借鉴高层特色进行加强以及借鉴低层特色进行加强，FPT 的输入维度与输出统一，可能自在嵌入到各种蕴含特色金字塔的检测算法中，从试验后果来看，成果不错
 
起源：晓飞的算法工程笔记 公众号

论文: Feature Pyramid Transformer

  • 论文地址：https://arxiv.org/abs/2007.09451
  • 论文代码：https://github.com/ZHANGDONG-NJUST/FPT

Introduction

  讲论文前先捋一下 CNN 网络结构相干的常识，论文的思维次要来自两个，一个是特色金字塔构造，一个是 Non-local 网络：

  • 首先是特色金字塔，如图 1a，CNN 网络以层级构造的模式逐层提取更丰盛的特色，而后应用最初的特色层进行预测。但对于一些小物体而言，最初一层的特色图往往没有足够的像素点进行预测。为了更好地对不同大小的物体进行预测，人们提出图 1b 的金字塔特色，大物体应用高层的粗粒度特色，小物体应用底层的细粒度特色。对于一些 pixel-level 工作，比方语义宰割，须要综合不同层的上下文信息进行粗疏的预测，所以就须要图 1c 的预测构造。
  • 其次是 Non-local network，该网络借鉴了 NLP 模型的 Self-attention 思维，如图 1d 所示，可能借鉴特色图上的其它特色点来对以后特色点进行加强。

  基于下面两个思维，论文提出了 FPT(Feature Pyramid Transformer)，构造如图 1e 所示，外围在特色金字塔上进行相似 Non-local 的特色加强，而后再应用多层特色进行预测。FPT 设计了 3 种特色加强操作，也是论文的次要奉献：

  • ST(Self-Transformer)：跟 non-local 操作一样在对以后层进行特色加强。
  • GT(Grounding Transformer)：这是 top-down 模式的 non-local 操作，将高层特色 (尺寸小的) 别离用于低层特色的加强。
  • RT(Rendering Transformer)：这是 bottom-up 模式的 non-local 操作，将低层特色 (尺寸大的) 别离用于高层特色的加强。

Feature Pyramid Transformer

  FPT 的特色转换流程如图 2 所示，输出为金字塔特色，首先对每层特色别离进行 ST、GT、RT 特色加强失去多个加强后的特色，而后对加强的特色按尺寸进行排序，将雷同大小的特色 concate 到一起，通过卷积将加强后的特色维度复原到输出时的雷同维度。

Non-Local Interaction Revisited

  因为论文提出的特色加强操作与 non-local 操作有很大关系，这里须要先介绍下 non-local 的思维。惯例 non-local 操作的输出为单特色图 $X$ 上的 queries(Q), keys(K)和 values(V)，输入与 $X$ 尺寸雷同的加强特色 $\hat{X}$：

$q_i=f_q(X_i)\in Q$，$k_j=f_k(X_j)\in K$，$v_j=f_v(X_j)\in V$，$f_q(\cdot)$、$f_k(\cdot)$ 和 $f_v(\cdot)$ 为对应的线性变换，$X_i$ 和 $X_j$ 为特色图 $X$ 上的第 $i^{th}$ 和 $j^{th}$ 地位上的特色，$F_{sim}$ 为类似度函数，默认为点积，$F_{nom}$ 为归一化函数，默认为 softmax，$F_{mul}$ 为权重集成函数，默认为矩阵相乘，$\hat{X}_i$ 为输入特色图 $\hat{X}$ 的第 $i^{th}$ 地位上的特色。

Self-Transformer

  ST 为改进版 non-local 操作，如图 1a 所示，次要有两点不同：

  • 将 $q_i$ 和 $k_j$ 分为 $\mathcal{N}$ 局部，而后计算每局部的每组 $q_{i,n}$ 和 $k_{j,n}$ 类似度分数 $s^n_{i,j}$
  • 类似度计算应用改良的 MoS(Mixture of Softmaxes)函数 $F_{mos}$：

    $\pi_n=Softmax(w^T_n \overline{k})$ 为特色集成时的权重，$w_n$ 为可学习的线性变换，$\overline{k}$ 为所有 $k_j$ 的均值。

  基于上述的改良，ST 定义为：

Grounding Transformer

  GT 是 top-down 模式的 non-local 操作，如图 2c 所示，借用高层的粗粒度特色 $X^c$ 来加强低层的细粒度特色 $X^f$。在计算时，类似度计算由点积替换为更高效的欧氏间隔 $F_{eud}$：

$q_i=f_q(X^f_i)$，$k_j=f_k(X^c_j)$。GT 跟 ST 一样将 $q_i$ 和 $k_j$ 分为 $\mathcal{N}$ 局部，残缺的定义为：

  在特色金字塔中，高下层特色别离蕴含图片的全局和部分信息，而对于语义宰割工作，不须要关注过多高层的全局信息，更多的是须要 query 地位左近的上下文信息，所以图 3b 的跨层卷积对语义宰割工作非常无效。因为 GT 操作是全局计算，所以论文提出了部分束缚 (Locality-constrained) 的 GT 操作 LGT，如图 3c 所示，每个 $q_i$ 只与高层部分区域的 $k_j$ 和 $v_j$ 进行计算。高层部分区域以 $q_i$ 对应的地位为核心，边长 (square size) 为固定值。如果高层的部分区域越出了特色图，则应用 0 代替。

Rendering Transformer

  与 GT 相同，RT 是 bottom-up 模式的 non-local 操作，借用低层的细粒度特色来加强高层的粗粒度特色。RT 也是部分束缚 (Locality-constrained) 的，以 channel-wise 进行计算的，定义高层特色为 $Q$，低层特色为 $K$ 和 $V$，计算步骤蕴含如下：

  • 对 $K$ 和进行全局均匀池化失去权重 $w$。
  • 使用权重 $w$ 对 $Q$ 进行加权失去 $Q_{att}$。
  • 对 $V$ 进行带 stride 的 $3\times 3$ 卷积下采样失去 $V_{dow}$。
  • 应用 $3\times 3$ 卷积对 $Q_{att}$ 进行调整，并与 $V_{dow}$ 相加，再过一层 $3\times 3$ 卷积后输入。

  残缺 RT 的定义为：

$F_{att}(\cdot)$ 为外积函数，$F_{scov}(\cdot)$ 为带 stride 的 $3\times 3$ 卷积，$F_{conv}(\cdot)$ 为用于调整的 $3\times 3$ 卷积，$F_{add}(\cdot)$ 为蕴含 $3\times 3$ 卷积的特色相加函数。

Experiments

  在 COCO 上与其它算法的比照试验。

  在多个数据集上的进行语义宰割性能比照。

Conclusion

  论文提出用于特色金字塔的高效特色交互办法 FPT，蕴含 3 种精心设计的特色加强操作，别离用于借鉴层内特色进行加强、借鉴高层特色进行加强以及借鉴低层特色进行加强，FPT 的输入维度与输出统一，可能自在嵌入到各种蕴含特色金字塔的检测算法中，从试验后果来看，成果不错。

 
 
 

如果本文对你有帮忙，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】

退出移动版