Arxiv 2206 | Global Context Vision Transformers

GCViT：局部和全局区域自注意力

• 论文：​​https://arxiv.org/abs/2206.09959​​
• 代码：​​https://github.com/NVlabs/GCVit​​

本文的目的主要在于改进自注意力计算的高昂计算成本。所以基于局部自注意力的形式进行了扩展，实现了一种更加高效的全局注意力形式，而免去了Swin那样的划窗操作（划窗操作需要进行padding和mask，以及划窗仅仅会覆盖不同局部区域的部分内容）或者其他更为复杂的例如token unfolding和rolling操作，甚至是对于key和value的额外计算。

针对Self-Attention的改进

仍然基于windows-based attention的形式，从而保证了相对于图像大小线性的放缩关系。

在类似于Swin中的local attention的基础上，作者们构建了一种新的global attention形式，来实现横跨不同local window之间的图像patch上的信息交流。

global attention的核心是对原本local attention的query的改进。其直接使用从原始图像特征上利用CNN结构（即文中的Global Query Generator）提取缩小到窗口区域对应尺寸嵌入，使其与image token窗口中的local key和local value进行计算，从而允许捕获跨区域交互的长距离信息。

因此local attention与global attention的唯一差异在于query的来源，前者来自模块输入，而后者则来自于stage初生成，内部各个module共享的global token。

整个stage的流程如下：

• 特征送如一个stage中，即​​GCViTLayer​​
• 首先根据送入的特征计算global query。这里的计算中，会将输入特征下采样到和后续计算的window-based attention的window有着相同的尺寸。
• 特征和global query送入多个交替安置的local attention（global query不起作用）和global attention模块中。
• 在attention模块中，使用pre-norm形式。attention的计算需要先对输入特征划分窗口，对各个窗口执行local attention。计算输出结果后再将形状恢复，送入后续的基于FC的MLP中。其中：

• local attention的q来自于输入特征，计算过程是正常的；
• global attention的q来自global query，在执行qk计算之前，会先对q执行repeat操作，使其形状与k和v保持一致，之后执行local attention。

• stage结尾后按需求进行下采样。下采样是借助于跨步卷积实现。

对应的代码段如下：

# https://github.com/NVlabs/GCVit/blob/caa62fc4d55cf822cf3bef5eb8b69cc11b90e885/models/gc_vit.py#L525-L589
def forward(self, x):
    q_global = self.q_global_gen(_to_channel_first(x))
    for blk in self.blocks:
        x = blk(x, q_global)
    if self.downsample is None:
        return x
    return self.downsample(x)

架构的其他细节

• 使用overlapping patches，基于3x3的步长为2的跨步卷积。
• 每个stage之后下采样2倍，通道数增加2倍。下采样使用下面几个操作的级联：

• Modified Fused-MBConv Block：DWConv3x3+GELU+SEBlock+Conv1x1。这个卷积模块为模型提供了归纳偏置和模拟通道间依赖的理想属性；
• Max Pooling（kernel size=3，stride=2）：论文中文本里提到的是最大池化，而图3中绘制的是卷积层，​​代码中提供的也是卷积层​​；
• Layer Norm。

• Self-Attention仍使用相对位置偏置，加到放缩后的qk上。相对位置偏置对于密集预测任务很有用。

实验结果