写在前面
近段时间，基于Transformer的结构在CV领域展现出了很大的应用潜力，已经逐渐掩盖了CNN的光芒。Transformer的缺点也很明显：计算复杂度和输入的特征大小呈平方的关系。因此直接对整张图片进行Self-Attention是不现实的，所以，最近的一些工作（比如Swin-Transformer[1]）采用了像CNN一样的分层结构，每层施加注意力的范围只在local window上，逐渐扩大Self-Attention的感知范围。
作者提出，这样的方式存在一定的缺点，因为在前面几个stage中没有对global的特征进行感知，因此，作者就提出了一种多分支的Transformer设计结构，使得Transformer在每个stage中都进同时进行全局和局部的信息感知。通过引入多分支结构，使得模型在分类任务和语义分割任务上都取得了一定的性能提升。
1. 论文和代码地址
2. Motivation
CNN和Transformer目前是CV任务主要流行的两种结构，这两个结构的主要不同是感知范围不一样：CNN的感受野受卷积核大小的限制，因此CNN的建模范围只能在一个卷积核的感受野之内；Transformer的Self-Attention是做全局信息的建模，因此Self-Attention的感知范围是整张图片。
但是，因为Self-Attention的计算复杂度跟输入特征的大小是呈平方关系的，所以如果图片中的token数量特别大，就会导致计算量的爆炸。所以，目前的Transformer-based的模型大多都将图片的token分成很多局部的window，Self-Attention只在每个window之间进行。
但是，作者提出，这样的结构会使得前面几个stage的建模范围都比较小，不能捕获全局信息，这可能会影响模型的性能。（个人觉得，其实这样attention方式慢慢从局部到整体的一个层次结构可能也比较好的。如果过早的引入了全局的注意力，那就会减弱对CV特征平移等变性这个偏置的利用，从而影响模型的泛化能力。
之前的工作也表明了，加入一些local的建模方式，利用平移等变性这个假设偏置，能够大大提高模型的建模能力。另一方面，在本文中，作者进行全局信息建模的时候，只是将当前特征进行了下采样，这在一定程度上也会对信息造成损失。而Inception结构其实只是用了不同大小的卷积核，并没有进行下采样。所以个人觉得，在这一方面，本文虽然参考了Inception，但是结构设计上可能没有Inception巧妙。）
基于上面的Motivation，作者提出了一个多分支的、多尺度的Self-Attention感知方式。作者将特征进行不同比例的下采样后，再用参数不共享的Self-Attention模块进行建模，因此，下采样比例大的特征感受野更大，下采样比例小的特征感受野比较小，最后将不同分支的输出结构进行融合，就得到了多尺度感知后的特征。
作者在文中指出，本文的结构参考了CNN中同样是多分支的Inception结构（Inception结构如上图所示）。本文的结构如下图所示，作者通过不同比例的下采样，使得本文提出的Local-to-Global Self-Attention结构能够进行不同尺度的信息建模，其中最大感受野的Attention模块能够进行全局的信息建模。
最后，作者在分类任务和语义分割任务上进行了实验，相比于Swin-Transformer，本文提出的LG-Transformer 在ImageNet达到了0.9% Top-1准确率的性能提升，在ADE20K数据集上达到了0.8% mIoU的性能提升。
3. 方法
3.1. Local-to-Global Attention Block
如上图所示，本文提出的LG-Transformer分为四个stage，经过每个stage之后特征的空间维度缩小为原来的一半，通道维度提升为原来的两倍。
LG Attention的注意力模块和Swin-Transformer中的注意力模块相似，不同的是，除了采用了Swin-transformer的Attention模块，作者还将特征进行了不同比例的降采样，然后将不同比例降采样之后的特征放入不同分支的attention模块进行计算，并将计算得出的特征进行上采样，使得输出特征的大小和原来输入特征的大小一样。
最后将多分支的输出进行融合，就得到了施加多尺度注意力后的结果。在施加attention机制之后，跟其他Transformer结构一样，作者在后面继续加了一个MLP结构，进行通道信息的交互。用公式表示如下：
3.2. Computational Complexity
由于本文提出的LG-atttention模块比Swin-Transformer的SW-MSA模块多了降采样后的特征的attention计算，因此本文的LG-Attention计算量比SW-MSA稍微多一些，具体的计算量如下面的公式所示：
3.3. Architecture Variants
基于LG-Attention，作者提出了两种有不同计算量和参数量的LG Transformer，具体的配置如上表所示。
4.实验
4.1. Image Classification
4.1.1. Comparative Results
上表展示本文的LG Transformer和其他SOTA模型的性能对比。可以看出，在相似的计算量下，LG-T比Swin-T高了0.8%，比PVT-Small高了2.3%。LG-S在参数量和计算量都比Swin-B小的情况下，达到了相同的performance。
4.1.2. Ablation Studies
从上表可以看出，在不同的stage上加入LG-Attention，模型的performance也是不一样的，LG-Attention加的越多，参数量和计算量也越大。在1-3stage中都加入LG-Attention效果最好。
4.1.3. Qualitative Results
上图展示了三个层次的特征图，下采样率为8（局部关注)、16(中等关注)和32(全局关注）。可以看出，在下采样率为8和16的特征图中，跨局部attention窗口的边界存在明显的不连续性，显示了局部注意力的局限性。
4.2. Semantic Segmentation
4.2.1. Results Analysis
在语义分割任务上，在相似的计算量下，本文提出的LG-T比ResNet-101，DeiT-S，Swin-T性能更好。
5. 总结
首先，这篇文章的Motivation非常明确，就是希望在前面的stage中也能加入全局的信息感知，所以作者引入了多分支结构，有的分支用来捕获全局的注意力（先降采样），有的分支用来捕获局部注意力，相当于是在Transformer中采用了一个类似Inception的结构。
个人觉得，这样的改法比较straightforward，并且也引入了额外的计算量和参数量，所以从网络结构上看起来不是非常惊艳。
除此之外，与之前的HaloNet[2]相比 ，本文的性能也没有非常惊艳，因此，个人认为，这样的结构对于解决这个motivation，可能并不是一个最优解。
