SegFormer论文阅读

发表于 更新于 分类于 阅读次数： 23

标题：《SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers》

作者：Enze Xie, Wenhai Wang, Zhiding Yu, Anima Anandkumar, Jose M. Alvarez, Ping Luo

录用情况：NeurIPS'2021

开源代码：在MMSegmentation中已有实现

这篇文章提出了一个简单高效的语义分割模型，使用了多尺度的Transformer结构做为Encoder，和使用MLP实现的简单的Decoder；在Transformer-Based中，作者没有使用显式的位置编码，而使用CNN建模位置信息；并且还使用了一些策略将attention计算的复杂度从O(N2)降低到O(N2/R)；

本文的很多方法都不是原创，但是在作者的组合、改进下，取得了性能与参数量平衡的结果；

模型结构

整体

Overlapped Patch Merging

将SA的输出重新reshape为B×H×W×C，之后让patch与patch之间有overlapped的思想在T2T ViT中就出现了，在实现时可以统一用一个带有stride的卷积操作实现；

Efficient Self-Attention

作者借用了Pyramid Vision Transformer中的策略，将key, value矩阵应用如下的映射，从而将attention计算的复杂度从O(N2)降低到O(N2/R)； K^=Reshape(NR,C⋅R)(K)K=Linear(C⋅R,C)(K^) 在实现时，对key，value使用步长为R的RxR卷积，即同时完成了上述两步；

Mix FFN

借鉴Conditional Positional Encodings for Vision Transformers中的经验，作者将原来Transformer中使用MLP的FFN模块改为了使用3x3卷积的模块，不再使用显式得PE：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
fc1 = Conv2d(
    in_channels=in_channels,
    out_channels=feedforward_channels,
    kernel_size=1,
    stride=1,
    bias=True)
# 3x3 depth wise conv to provide positional encode information
pe_conv = Conv2d(
    in_channels=feedforward_channels,
    out_channels=feedforward_channels,
    kernel_size=3,
    stride=1,
    padding=(3 - 1) // 2,
    bias=True,
    groups=feedforward_channels)
fc2 = Conv2d(
    in_channels=feedforward_channels,
    out_channels=in_channels,
    kernel_size=1,
    stride=1,
    bias=True)
drop = nn.Dropout(ffn_drop)
layers = [fc1, pe_conv, self.activate, drop, fc2, drop]

All-MLP Decoder

作者称，他敢使用这么简单的一个Decoder的原因是，他分析到之前设计的Encoder已经拥有了足够大的感受野，不再需要设计像ASPP那样heavy的结构，如下图所示：

MLP结构为：

实验结果

作者修改4个Stage中各种参数（见论文附录），得到了6种配置，在3个数据集上的效果如下：

与先前模型的对比：

更多实验见原文；

小结

作者提出了一种简单的语义分割方法，并且得到了一个3.7M的小模型；抛开作者讲的故事，单看整体的模型结构，像是Transformer结构与CNN的穿插使用；另外，作者在消融实验中似乎没有比较使用原始self attention和efficient self attention的性能与成本差距，或者说，在之前的论文中已经做了相似的实验，这需要我继续阅读相关论文；