编辑：LRS
注意力机制这么好用，怎么不把它塞到卷积网络里？最近MetaAI的研究人员提出了一个基于注意力的池化层，仅仅把平均池化层替换掉，就能获得+0.3%的性能提升！
VisualTransformer作为计算机视觉领域的新兴霸主，已经在各个研究任务中逐渐替换掉了卷积神经网络CNN。
ViT与CNN之间存在着许多不同点，例如ViT的输入是imagepatch，而非像素；分类任务中，ViT是通过对类标记进行决策等等。
classtoken实际上是ViT论文原作者提出，用于整合模型输入信息的token。classtoken与每个patch进行信息交互后，模型就能了解到具体的分类信息。
并且在自注意力机制中，最后一层中的softmax可以作为注意力图，根据classtoken和不同patch之间的交互程度，就能够了解哪些patch对最终分类结果有影响及具体程度，也增加了模型可解释性。
但这种可解释性目前仍然是很弱的，因为patch和最后一层的softmax之间还隔着很多层和很多个header，信息之间的不断融合后，很难搞清楚最后一层softmax是否真的可以解释分类。
美国7月PPI年率录得0.8%，结束连续12个月下降:8月11日消息，美国7月PPI(生产者价格指数)年率录得0.80%，结束连续12个月下降，预期为0.70%，前值为0.10%。[2023/8/11 16:20:45]
所以如果ViT和CNN一样有视觉属性就好了！
最近MetaAI就提出了一个新模型，用attentionmap来增强卷积神经网络，说简单点，其实就是用了一个基于注意力的层来取代常用的平均池化层。
仔细一想，池化层和attention好像确实很配啊，都是对输入信息的加权平均进行整合。加入了注意力机制以后的池化层，可以明确地显示出不同patch所占的权重。
并且与经典ViT相比，每个patch都会获得一个单一的权重，无需考虑多层和多头的影响，这样就可以用一个简单的方法达到对注意力可视化的目的了。
比特币挖矿难度上调3.4%至51.23T，再创历史新高:6月1日消息，BTC.com 数据显示，比特币挖矿难度于区块高度 792288 处迎来调整，挖矿难度上调 3.4% 至 51.23 T，再创历史新高。目前全网平均算力为 376.23 EH/s。[2023/6/1 11:51:19]
在分类任务中更神奇，如果对每个类别使用不同颜色进行单独标记的话，就会发现分类任务也能识别出图片中的不同物体。
基于Attention的池化层
文章中新提出的模型叫做PatchConvNet，核心组件就是可学习的、基于attention的池化层。
模型架构的主干是一个卷积网络，相当于是一个轻量级的预处理操作，它的作用就是把图像像素进行分割，并映射为一组向量，和ViT中patchextraction操作对应。
meme币Pepe（PEPE）过去24小时涨超55%:金色财经报道，据CoinGecko数据显示，meme币Pepe（PEPE）过去24小时涨幅超过55%，现报价0.000000338883美元。[2023/4/23 14:21:42]
最近也有研究表明，采用卷积的预处理能让模型的性能更加稳定。
模型的第二部分column，包含了整个模型中的大部分层、参数和计算量，它由N个堆叠的残差卷积块组成。每个块由一个归一化、1*1卷积，3*3卷积用来做空间处理，一个squeeze-and-excitation层用于混合通道特征，最后在残差连接前加入一个1*1的卷积。
研究人员对模型块的选择也提出了一些建议，例如在batchsize够大的情况下，BatchNorm往往效果比LayerNorm更好。但训练大模型或者高分辨率的图像输入时，由于batchsize更小，所以BatchNorm在这种情况下就不太实用了。
印尼财政部长：计划将加密货币投资的监管移交给金融服务管理局:金色财经报道，印度尼西亚财政部长周四表示，计划将加密货币投资的监管和监督移交给金融服务管理局（OJK），以更好地保护投资者。
目前，印度尼西亚贸易部和商品期货交易监管机构共同监管东南亚最大经济体的加密货币，那里的此类投资蓬勃发展。[2022/11/10 12:44:33]
下一个模块就是基于注意力的池化层了。
在主干模型的输出端，预处理后的向量通过类似Transformer的交叉注意力层的方式进行融合。
注意力层中的每个权重值取决于预测patch与可训练向量之间的相似度，结果和经典ViT中的classtoken类似。
然后将产生的d维向量添加到CLS向量中，并经过一个前馈网络处理。
与之前提出的class-attentiondecoder不同之处在于，研究人员仅仅只用一个block和一个head，大幅度简化了计算量，也能够避免多个block和head之间互相影响，从而导致注意力权重失真。
BTC大于10年的最后活跃供应量达到历史新高:金色财经报道，Glassnode数据显示，BTC大于10年的最后活跃供应量达到2,508,787.050的历史新高。[2022/9/2 13:05:10]
因此，classtoken和预处理patch之间的通信只发生在一个softmax中，直接反映了池化操作者如何对每个patch进行加权。
也可以通过将CLS向量替换为k×d矩阵来对每个类别的attentionmap进行归一化处理，这样就可以看出每个块和每个类别之间的关联程度。
但这种设计也会增加内存的峰值使用量，并且会使网络的优化更加复杂。通常只在微调优化的阶段以一个小的学习率和小batchsize来规避这类问题。
实验结果
在图像分类任务上，研究人员首先将模型与ImageNet1k和ImageNet-v2上的其他模型从参数量，FLOPS，峰值内存用量和256张图像batchsize下的模型推理吞吐量上进行对比。
实验结果肯定是好的，可以看到PatchConvNet的简单柱状结构相比其他模型更加简便和易于扩展。对于高分辨率图像来说，不同模型可能会针对FLOPs和准确率进行不同的平衡，更大的模型肯定会取得更高的准确率，相应的吞吐量就会低一些。
在语义分割任务上，研究人员通过ADE20k数据集上的语义分割实验来评估模型，数据集中包括2万张训练图像和5千张验证图像，标签超过150个类别。由于PatchConvNet模型不是金字塔式的，所以模型只是用模型的最后一层输出和UpperNet的多层次网络输出，能够简化模型参数。研究结果显示，虽然PatchConvNet的结构更简单，但与最先进的Swin架构性能仍处于同一水平，并且在FLOPs-MIoU权衡方面优于XCiT。
在检测和实例分割上，研究人员在COCO数据集上对模型进行评估，实验结果显示PatchConvNet相比其他sota架构来说，能够在FLOPs和AP之间进行很好的权衡。
在消融实验中，为了验证架构问题，研究人员使用不同的架构对比了Transformer中的classattention和卷积神经网络的平均池化操作，还对比了卷积主干和线性投影之间的性能差别等等。实验结果可以看到卷积主干是模型取得最佳性能的关键，class-attention几乎没有带来额外的性能提升。
另一个重要的消融实验时attention-basedpooling和ConvNets之间的对比，研究人员惊奇地发现可学习的聚合函数甚至可以提高一个ResNet魔改后模型的性能。
通过把attention添加到ResNet50中，直接在Imagenet1k上获得了80.1%的最高准确率，比使用平均池化层的baseline模型提高了+0.3%的性能，并且attention-based只稍微增加了模型的FLOPs数量，从4.1B提升到4.6B。
参考资料：
https://arxiv.org/abs/2112.13692
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。