Transformer模型能夠捕捉長距離依賴和全局信息，在引入計算機視覺任務(wù)后，大多都取得了顯著的性能提升。

但Transformer的缺陷始終還是繞不過：時間和空間復雜度太高，都是輸入序列長度的二次方。

通常情況下，一個輸入圖像被劃分為patch，然后flatten這些patch為一個token序列送入Transformer，序列越長，復雜度也就越高。

所以，很多視覺任務(wù)中為了利用上Transformer，選擇將其應(yīng)用于低分辨率或?qū)⒆⒁饬C制限制在圖像局部。

但在高分辨率上應(yīng)用Transformer能夠帶來更廣闊的應(yīng)用前景和性能提升，因此，許多工作都在研究設(shè)計有效的Transformer以降低計算的復雜性。

有學者提出線性近似Transformer，用線性方法近似于標準的Transformer。然而，實驗結(jié)果顯示這些線性Transformer在視覺任務(wù)中的性能是比較差的。為了降低計算成本，PVT使用降采樣的key和value，使得模型捕捉像素級細節(jié)的能力有所下降。相比之下，Swin變換器則是限制了全局注意力的交互信息來減少計算量

與以往的工作方向不同，來自西蒙菲莎大學和阿里巴巴AI Lab的研究人員提出了一個全新的注意力機制QuadTree attention，由粗到細地建立注意力機制，能夠同時包含全局交互和細粒度的信息，將時間復雜度降低為線性，論文已被ICLR 2022接收。

論文地址：https://arxiv.org/abs/2201.02767

代碼地址：https://github.com/Tangshitao/QuadTreeAttention

當我們看一張圖片的時候，可以發(fā)現(xiàn)，大多數(shù)圖像區(qū)域都是不相關(guān)的，所以我們可以建立一個token金字塔，以從粗到細的方式計算注意力。通過這種方式，如果對應(yīng)的粗級區(qū)域不相關(guān)，那么我們也可以快速跳過精細級別的不相關(guān)區(qū)域。

例如，第一層計算了圖像A中的藍色區(qū)域的注意力，即計算圖像A中的藍色patch與圖像B中的所有patch的注意力，并選擇前K個patch，把這些patch也被標記為藍色，代表他們是相關(guān)的區(qū)域。

在第二層，對于圖像A中的第一層中藍色patch的四個子patch，我們只計算它們與對應(yīng)第一層圖像B中top K個patch的子patch的注意力，其他所有其他陰影的子patch都被跳過以減少計算量。我們將圖像A中的兩個patch用黃色和綠色表示，它們在圖像B中對應(yīng)的前K個patch也用同樣的顏色突出顯示。

整個過程在第三層迭代進行，通過這種方式，既能獲得精細的注意力，還能夠保留長距離的依賴連接。

最重要的是，在整個過程中只需要計算少量的注意力。因此，這種方法具有更低的內(nèi)存消耗和計算成本。

在實現(xiàn)上，研究人員采用了Quadtree 這種數(shù)據(jù)結(jié)構(gòu)去構(gòu)建注意力機制。

與傳統(tǒng)注意力機制一樣，首先將embeddings映射Q，K，V。然后用kernel size為2x2的pooling層或者卷積層將他們降采樣若干次構(gòu)建token金字塔。

從最粗的那層開始，每一層只選K個最高注意力分數(shù)的patch參與下一層的計算。根據(jù)計算方式的不同設(shè)計了2種機制：QuadTree-A與QuadTree-B。

在QuadTree-B方法中，對于最粗的那層，只需根據(jù)注意力公式計算。

對于其余幾層，則是從上一層選k個注意力分數(shù)最高的patch，然后計算message passing。

最后把每層的信息結(jié)合起來即可，其中w_i是第i層可學參數(shù)。

實驗結(jié)果

尋找不同圖像之間的特征對應(yīng)關(guān)系（feature corresponding）是一個經(jīng)典三維計算機視覺任務(wù)，通常的評估方式就是對應(yīng)點的相機姿態(tài)估計準確率。

研究人員使用最近提出的SOTA框架LoFTR，其中包括一個基于CNN的特征提取器和一個基于Transformer的匹配器。

為了驗證QuadTree Transformer的效果，研究人員將LoFTR中的線性變換器替換為QuadTree。此外，文章內(nèi)還實現(xiàn)了一個新版本的LoFTR與spatial reduction（SR）注意力進行對比。

研究人員在包含1513個場景的ScanNet上進行了實驗。

對于QuadTree Transformer的參數(shù)，使用三層金字塔，最粗的分辨率為15×20個像素。在最精細的級別的參數(shù)K設(shè)置為8，而在較粗的級別上則為兩倍。對于SR注意力，將value和key tokens平均池化到8×8的大小以保證和QuadTree Attention相似的內(nèi)存消耗和flops。

在（5?，10?，20?）下相機姿勢誤差的AUC實驗結(jié)果中可以看到，SR注意力與線性Transformer取得了類似的結(jié)果。相比之下，QuadTreeA 和QuadTreeB在很大程度上超過了線性Transformer和SR注意力，并且Quadtree-B 總體上比Quadtree-A表現(xiàn)得更好。

為了進一步提高結(jié)果，研究人員還訓練了一個K=16的模型，可以看到模型的性能得到進一步提升。

在雙目視差估計（stereo matching）任務(wù)中，目的是在兩幅圖像之間找到對應(yīng)的線上的像素。最近的工作STTR將Transformer應(yīng)用于epipolar line之間的特征點，并取得了SOTA的性能。

在將STTR中的標準Transformer替換為QuadTree Transformer后，在Scene Flow FlyingThings3D合成數(shù)據(jù)集上進行實驗，該數(shù)據(jù)集包含25,466張分辨率為960×540的圖像。

研究人員建立了四層的金字塔來評估QuadTree Attention，實驗結(jié)果可以看到非遮擋區(qū)域的EPE（End-Point-Error）和遮擋區(qū)域的IOU（Intersection-over- Union），表中還包括計算復雜性和內(nèi)存使用量也被報告。

與基于標準Transformer的STTR相比，QuadTree Transformer實現(xiàn)了類似的EPE（0.45 px vs 0.46 px）和更高的閉塞估計IOU，但計算和內(nèi)存成本低得多，只有52%的FLOPs和63%的內(nèi)存消耗。

研究人員還在基本的self-attention任務(wù)中測試了QuadTree Transformer的性能。

首先在ImageNet上的圖像分類任務(wù)實驗結(jié)果中可以看到，基于PVTv2的模型，將其中的spatial reduction attention替換成quadtree attention，就能夠在ImageNet上實現(xiàn)了84.0%的top 1準確度，在不同大小的模型上比PVTv2高0.4-1.5個百分點。

在COCO目標檢測數(shù)據(jù)集的實驗結(jié)果中可以看到，對于QuadTree Attention來說，一個小的K就足夠捕捉粗到細的信息了。因此，在使用高分辨率的圖像時，可以減少更多計算量。

并且QuadTree-B實現(xiàn)了更高的性能，同時比PVTv2的flops少得多，而且性能也同時超過了ResNet和ResNeXt。QuadTree-B-b2的性能比ResNet101和ResNeXt101-32x4d分別高出7.7AP和6.3AP，骨干flops減少約40%。

在ADE20K的語義分割實驗中，在相似的參數(shù)量與flops下，比PVTv2提升了0.8-1.3。

作者介紹

一作唐詩濤，現(xiàn)在西蒙菲莎大學三年級在讀博士，導師譚平，研究方向為深度學習，三維視覺。在ECCV、ICCV、CVPR、ICML、ICLR等會議上發(fā)表多篇論文。

共同一作張家輝，現(xiàn)任阿里巴巴算法工程師。2020年于清華大學取得博士學位，研究方向為三維重建、三維深度學習。博士期間在Intel中國研究院及港科大實習或交流。在ECCV、ICCV、CVPR、ICLR、TPAMI、TVCG等會議或期刊上發(fā)表多篇論文。

朱思語博士，阿里云人工智能實驗室算法團隊負責人。他于香港科技大學獲得博士學位。在攻讀博士學位期間，共同創(chuàng)辦了3D視覺公司Altizure。朱思語博士在ICCV、CVPR、ECCV、PAMI等計算機視覺國際學術(shù)會議和期刊上發(fā)表30多篇論文。

譚平，現(xiàn)就職于阿里巴巴XR實驗室，曾任西蒙菲莎大學終身副教授、新加坡國立大學副教授。主要研究興趣包括計算機視覺、計算機圖形學、機器人技術(shù)、3D 重建、基于圖像的建模、圖像和視頻編輯、照明和反射建模。

? ?