计算机视觉"新"范式: Transformer | NLP和CV能用同一种范式来表达吗？

会员服务 ·

计算机视觉"新"范式: Transformer | NLP和CV能用同一种范式来表达吗？

2020 年 10 月 17 日 AI科技评论

自从Transformer出来以后，Transformer便开始在NLP领域一统江湖。

而Transformer在CV领域反响平平，一度认为不适合CV领域，直到最近计算机视觉领域出来几篇Transformer文章，性能直逼CNN的SOTA，给予了计算机视觉领域新的想象空间。

本文不拘泥于Transformer原理和细节实现(知乎有很多优质的Transformer解析文章，感兴趣的可以看看)，着重于Transformer对计算机视觉领域的革新。

首先简略回顾一下Transformer，然后介绍最近几篇计算机视觉领域的Transformer文章，其中ViT用于图像分类，DETR和Deformable DETR用于目标检测。

从这几篇可以看出，Transformer在计算机视觉领域的范式已经初具雏形，可以大致概括为：Embedding->Transformer->Head

一些有趣的点写在最后~~

Transformer

Transformer详解:

http://jalammar.github.io/illustrated-transformer/

下面以机器翻译为例子，简略介绍Transformer结构。

1. Encoder-Decoder

Transformer结构可以表示为Encoder和Decoder两个部分

 
    Encoder和Decoder主要由Self-Attention和Feed-Forward Network两个组件构成，Self-Attention由Scaled Dot-Product Attention和Multi-Head Attention两个组件构成。

Scaled Dot-Product Attention公式：

\operatorname{Attention}(Q , K , V ) = \operatorname { softmax } \left( \frac { Q K ^ { T } } { \sqrt { d _ { k } } } \right) V

Multi-Head Attention公式：

\operatorname{MultiHead}(Q, K , V ) = \text { Concat } \left( \text { head } _ { 1 } , \ldots , \text { head } _ { \mathrm { h } } \right) W ^ { O }

Feed-Forward Network公式：

\operatorname { FFN } ( x ) = \max \left( 0 , x W _ { 1 } + b _ { 1 } \right) W _ { 2 } + b _ { 2 }

2. Positional Encoding

 
    如图所示，由于机器翻译任务跟输入单词的顺序有关，Transformer在编码输入单词的嵌入向量时引入了positional encoding，这样Transformer就能够区分出输入单词的位置了。 
   

 
    引入positional encoding的公式为： 
   

\begin{aligned} P E _ { ( p o s , 2 i ) } & = \sin \left( p o s / 10000 ^ { 2 i / d _ { \text {nodel } } } \right) \\ P E _ { ( p o s , 2 i + 1 ) } & = \cos \left( p o s / 10000 ^ { 2 i / d _ { \text {model } } } \right) \end{aligned}

 
     是位置，  
     
     是维数，  
     
     是输入单词的嵌入向量维度。

 
    3. Self-Attention

 
    3.1 Scaled Dot-Product Attention

在Scaled Dot-Product Attention中，每个输入单词的嵌入向量分别通过3个矩阵

W_{Q}

，

W_{K}

和

W_{V}

来分别得到Query向量(

Q

)，Key向量(

K

)和Value向量(

V

)。

如图所示，Scaled Dot-Product Attention的计算过程可以分成7个步骤：

每个输入单词转化成嵌入向量。
根据嵌入向量得到 $q$ , $k$ ， $v$ 三个向量。
通过 $q$ , $k$ 向量计算 $score$ ： $score=q·k$ 。
对 $score$ 进行归一化，即除以 $\sqrt { d _ { k } }$ 。
通过 $softmax$ 激活函数计算 $score$ 。
$softmax$ 点乘Value值 $v$ ，得到每个输入向量的评分 $v$ 。
所有输入向量的评分 $v$ 之和为 $z$ ： $z = \sum v$ 。

上述步骤的矩阵形式可以表示成：

与Scaled Dot-Product Attention公式一致。

3.2 Multi-Head Attention

如图所示，Multi-Head Attention相当于h个不同Scaled Dot-Product Attention的集成，以h=8为例子，Multi-Head Attention步骤如下：

将数据 $X$ 分别输入到8个不同的Scaled Dot-Product Attention中，得到8个加权后的特征矩阵 $Z _ { i } , i \in \{ 1,2 , \ldots , 8 \}$ 。
将8个 $Z$ 按列拼成一个大的特征矩阵。
特征矩阵经过一层全连接得到输出 $Z$ 。

Scaled Dot-Product Attention和Multi-Head Attention都加入了short-cut机制。

ViT

ViT将Transformer巧妙的应用于图像分类任务，更少计算量下性能跟SOTA相当。

Vision Transformer(ViT)将输入图片拆分成16x16个patches，每个patch做一次线性变换降维同时嵌入位置信息，然后送入Transformer，避免了像素级attention的运算。类似BERT[class]标记位的设置，ViT在Transformer输入序列前增加了一个额外可学习的[class]标记位，并且该位置的Transformer Encoder输出作为图像特征。

其中

( H , W )

为原图像分辨率，

( P , P )

为每个图像patch的分辨率。

N = HW/P^2

为Transformer输入序列的长度。

ViT舍弃了CNN的归纳偏好问题，更加有利于在超大规模数据上学习知识，即大规模训练优归纳偏好，在众多图像分类任务上直逼SOTA。

DETR

DETR使用set loss function作为监督信号来进行端到端训练，然后同时预测所有目标，其中set loss function使用bipartite matching算法将pred目标和gt目标匹配起来。

直接将目标检测任务看成set prediction问题，使训练过程变的简洁，并且避免了anchor、NMS等复杂处理。

DETR主要有两个部分：architecture和set prediction loss。

1. Architecture

DETR先用CNN将输入图像embedding成一个二维表征，然后将二维表征转换成一维表征并结合positional encoding一起送入encoder，decoder将少量固定数量的已学习的object queries(可以理解为positional embeddings)和encoder的输出作为输入。

最后将decoder得到的每个output embdding传递到一个共享的前馈网络(FFN)，该网络可以预测一个检测结果(包括类和边框)或着“没有目标”的类。

1.1 Transformer

1.1.1 Encoder

将Backbone输出的feature map转换成一维表征，得到

d \times H W

特征图，然后结合positional encoding作为Encoder的输入。

每个Encoder都由Multi-Head Self-Attention和FFN组成。

和Transformer Encoder不同的是，因为Encoder具有位置不变性，DETR将positional encoding添加到每一个Multi-Head Self-Attention中，来保证目标检测的位置敏感性。

1.1.2 Decoder

因为Decoder也具有位置不变性，Decoder的

N

个object query(可以理解为学习不同object的positional embedding)必须是不同，以便产生不同的结果，并且同时把它们添加到每一个Multi-Head Attention中。

N

个object queries通过Decoder转换成一个output embedding，然后output embedding通过FFN独立解码出

N

个预测结果，包含box和class。

对输入embedding同时使用Self-Attention和Encoder-Decoder Attention，模型可以利用目标的相互关系来进行全局推理。

和Transformer Decoder不同的是，DETR的每个Decoder并行输出

N

个对象，Transformer Decoder使用的是自回归模型，串行输出

N

个对象，每次只能预测一个输出序列的一个元素。

1.1.3 FFN

FFN由3层perceptron和一层linear projection组成。FFN预测出box的归一化中心坐标、长、宽和class。

DETR预测的是固定数量的

N

个box的集合，并且

N

通常比实际目标数要大的多，所以使用一个额外的空类来表示预测得到的box不存在目标。

2. Set prediction loss

DETR模型训练的主要困难是如何根据gt衡量预测结果(类别、位置、数量)。DETR提出的loss函数可以产生pred和gt的最优双边匹配(确定pred和gt的一对一关系)，然后优化loss。

将y表示为gt的集合，表示为

N

个预测结果的集合。假设

N

大于图片目标数，

y

可以认为是用空类(无目标)填充的大小为

N

的集合。

搜索两个集合

N

个元素

\sigma \in \mathfrak { S } _ { N }

的不同排列顺序，使得loss尽可能的小的排列顺序即为二分图最大匹配(Bipartite Matching)，公式如下：

\hat { \sigma } = \underset { \sigma \in \mathfrak { S } _ { N } } { \arg \min } \sum _ { i } ^ { N } \mathcal { L } _ { \operatorname { match } } \left( y _ { i } , \hat { y } _ { \sigma ( i ) } \right)

其中

\mathcal { L } _ { \operatorname { match } } \left( y _ { i } , \hat { y } _ { \sigma ( i ) } \right)

表示pred和gt关于

\sigma ( i )

元素

i

的匹配loss。其中二分图匹配通过匈牙利算法(Hungarian algorithm)得到。

匹配loss同时考虑了pred class和pred box的准确性。每个gt的元素

i

可以看成

y _ { i } = \left( c _ { i } , b _ { i } \right)

，

c_i

表示class label(可能是空类)

b_i

表示gt box，将元素

i

二分图匹配指定的pred class表示为

\hat { p } _ { \sigma ( i ) } \left( c _ { i } \right)

，pred box表示为

\hat { b } _ { \sigma ( i ) }

。

第一步先找到一对一匹配的pred和gt，第二步再计算hungarian loss。

hungarian loss公式如下：

\mathcal { L } _ { \text {Hungarian } } ( y , \hat { y } ) = \sum _ { i = 1 } ^ { N } \left[ - \log \hat { p } _ { \hat { \sigma } ( i ) } \left( c _ { i } \right) + \mathbb { 1 } _ { \left\{ c _ { i } \neq \varnothing \right\} } \mathcal { L } _ { \text {box } } \left( b _ { i } , \hat { b } _ { \hat { \sigma } } ( i ) \right) \right]

其中

\mathcal { L } _ { \mathrm { box } } \left( b _ { i } , \hat { b } _ { \sigma ( i ) } \right)

结合了L1 loss和generalized IoU loss，公式如下：

\mathcal { L } _ { \mathrm { box } } \left( b _ { i } , \hat { b } _ { \sigma ( i ) } \right)=\mathcal { L } _ { \mathrm { iou } } \left( b _ { i } , \hat { b } _ { \sigma ( i ) } \right) + \lambda _ { \mathrm { L } 1 } \left\| b _ { i } - \hat { b } _ { \sigma ( i ) } \right\| _ { 1 }

ViT和DETR两篇文章的实验和可视化分析很有启发性，感兴趣的可以仔细看看~~

Deformable DETR

从DETR看，还不足以赶上CNN，因为训练时间太久了，Deformable DETR的出现，让我对Transformer有了新的期待。

Deformable DETR将DETR中的attention替换成Deformable Attention，使DETR范式的检测器更加高效，收敛速度加快10倍。

Deformable DETR提出的Deformable Attention可以可以缓解DETR的收敛速度慢和复杂度高的问题。同时结合了deformable convolution的稀疏空间采样能力和transformer的关系建模能力。

Deformable Attention可以考虑小的采样位置集作为一个pre-filter突出所有feature map的关键特征，并且可以自然地扩展到融合多尺度特征，并且Multi-scale Deformable Attention本身就可以在多尺度特征图之间进行交换信息，不需要FPN操作。

1. Deformable Attention Module

给定一个query元素(如输出句子中的目标词)和一组key元素(如输入句子的源词)，Multi-Head Attention能够根据query-key pairs的相关性自适应的聚合key的信息。为了让模型关注来自不同表示子空间和不同位置的信息，对multi-head的信息进行加权聚合。

其中

q \in \Omega _ { q }

表示query元素(特征表示为

\boldsymbol { z } _ { q } \in \mathbb { R } ^ { C }

)，

q \in \Omega _ { k }

表示key元素(特征表示为

\boldsymbol { z } _ { k } \in \mathbb { R } ^ { C }

)，

C

是特征维度，

\Omega _ { q }

和

\Omega _ { k }

分别为

q

和

k

的集合。

那么Transformer 的 Multi-Head Attention公式表示为：

\operatorname{MultiHeadAttn}(\left. \boldsymbol { z } _ { q } , \boldsymbol { x } \right) = \sum _ { m = 1 } ^ { M } \boldsymbol { W } _ { m } \left[ \sum _ { k \in \Omega _ { k } } A _ { m q k } \cdot \boldsymbol { W } _ { m } ^ { \prime } \boldsymbol { x } _ { k } \right]

其中

m

指定attention head，

\boldsymbol { W } _ { m } ^ { \prime } \in \mathbb { R } ^ { C _ { v } \times C }

和

\boldsymbol { W } _ { m } \in \mathbb { R } ^ { C _ { v } \times C }

是可学习参数，注意力权重

A _ { m q k } \propto \exp \left\{ \frac { \boldsymbol { z } _ { q } ^ { T } \boldsymbol { U } _ { m } ^ { T } \boldsymbol { V } _ { m } \boldsymbol { x } _ { k } } { \sqrt { C _ { v } } } \right\}

并且归一化

\sum A _ { m q k } = 1

，其中

\boldsymbol { U } _ { m } , \boldsymbol { V } _ { m } \in \mathbb { R } ^ { C _ { v } \times C }

是可学习参数。为了能够分辨不同空间位置，

z_q

和

x_k

通常会引入positional embedding。

对于DETR中的Transformer Encoder，query和key元素都是feature map中的像素。

DETR 的 Multi-Head Attention 公式表示为：

\operatorname{Attn}\left( \boldsymbol { z } _ { q } , \boldsymbol { x } \right) = \sum _ { m = 1 } ^ { M } \boldsymbol { W } _ { m } \left[ \sum _ { k = 1 } ^ { K } A _ { m q k } \cdot \boldsymbol { W } _ { m } ^ { \prime } \boldsymbol { x } \right]

其中

K=H\times W

。

DETR主要有两个问题：需要更多的训练时间来收敛，对小目标的检测性能相对较差。本质上是因为Transfomer的Multi-Head Attention会对输入图片的所有空间位置进行计算。

而Deformable DETR的Deformable Attention只关注参考点周围的一小部分关键采样点，为每个query分配少量固定数量的key，可以缓解收敛性和输入分辨率受限制的问题。

给定一个输入feature map ，

q

表示为query元素(特征表示为)，二维参考点表示为

p_q

，Deformable DETR 的 Deformable Attention公式表示为：

\operatorname{DeformAttn}\left( \boldsymbol { z } _ { q } , \boldsymbol { p } _ { q } , \boldsymbol { x } \right) = \sum _ { m = 1 } ^ { M } \boldsymbol { W } _ { m } \left[ \sum _ { k = 1 } ^ { K } A _ { m q k } \cdot \boldsymbol { W } _ { m } ^ { \prime } \boldsymbol { x } \left( \boldsymbol { p } _ { q } + \Delta \boldsymbol { p } _ { m q k } \right) \right]

其中

m

指定attention head，

k

指定采样的key，

K

表示采样key的总数(

K \ll H W

)。

\Delta \boldsymbol { p } _ { m q k }

A _ { m q k }

分别表示第

k

个采样点在第

m

个attention head的采样偏移量和注意力权重。注意力权重

A _ { m q k }

在[0,1]的范围内，归一化

\sum _ { k = 1 } ^ { K } A _ { m q k } = 1

。

\Delta p _ { m q k } \in \mathbb { R } ^ { 2 }

表示为无约束范围的二维实数。因为

\boldsymbol { p } _ { q } + \Delta \boldsymbol { p } _ { m q k }

为分数，需要采用双线性插值方法计算

\boldsymbol { x } \left( \boldsymbol { p } _ { q } + \Delta \boldsymbol { p } _ { m q k } \right)

。

2. Multi-scale Deformable Attention Module

Deformable Attention可以很自然地扩展到多尺度的feature maps。

\left\{ \boldsymbol { x } ^ { l } \right\} _ { l = 1 } ^ { L }

表示为输入的多尺度feature maps，

\boldsymbol { x } ^ { l } \in \mathbb { R } ^ { C \times H _ { l } \times W _ { l } }

。

\hat { \boldsymbol { p } } _ { q } \in [ 0,1 ] ^ { 2 }

表示为每个query元素

q

的参考点

p

的归一化坐标。Deformable DETR 的Multi-scale Deformable Attention公式表示为：

\operatorname{MSDeformAttn}\left( \boldsymbol { z } _ { q } , \hat { \boldsymbol { p } } _ { q } , \left\{ \boldsymbol { x } ^ { l } \right\} _ { l = 1 } ^ { L } \right) = \sum _ { m = 1 } ^ { M } \boldsymbol { W } _ { m } \left[ \sum _ { l = 1 } ^ { L } \sum _ { k = 1 } ^ { K } A _ { m l q k } \cdot \boldsymbol { W } _ { m } ^ { \prime } \boldsymbol { x } ^ { l } \left( \phi _ { l } \left( \hat { \boldsymbol { p } } _ { q } \right) + \Delta \boldsymbol { p } _ { m l q k } \right) \right]

其中

m

指定attention head，

l

指定输入特征层，

k

指定采样的key，

K

表示采样key的总数(

K \ll H W

)。

\Delta \boldsymbol { p } _ { m l q k }

A _ { m l q k }

分别表示第

k

个采样点在第

l

特征层的第

m

个attention head的采样偏移量和注意力权重。注意力权重

A _ { m l q k }

在[0,1]的范围内，归一化

\sum _ { k = 1 } ^ { K } A _ { m l q k } = 1

。

3. Deformable Transformer Encoder

将DETR中所有的attention替换成multi-scale deformable attention。encoder的输入和输出都是具有相同分辨率的多尺度feature maps。Encoder从ResNet的

C3-C6

中抽取多尺度feature maps

\left\{ x ^ { l } \right\} _ { l = 1 } ^ { L } ( L = 4 )

, (

C6

由

C5

进行3×3 stride 2卷积得到)。

在Encoder中使用multi-scale deformable attention，输出是和输入具有相同分辨率的多尺度feature maps。query和key都来自多尺度feature maps的像素。对于每个query像素，参考点是它本身。

为了判断query像素源自哪个特征层，除了positional embedding外，还添加了一个scale-level embedding

\left\{ e _ { l } \right\} _ { l = 1 } ^ { L }

，不同于positional embedding的固定编码， scale-level embedding随机初始化并且通过训练得到。

4. Deformable Transformer Decoder

Decoder中有cross-attention和self-attention两种注意力。这两种注意力的query元素都是object queries。在cross-attention中，object queries从feature maps中提取特征，而key元素是encoder输出的feature maps。

在self-attention中，object queries之间相互作用，key元素也是object queries。因为Deformable Attention是用于key元素的feature maps特征提取的，所以decoder部分，deformable attention只替换cross-attention。

因为multi-scale deformable attention提取参考点周围的图像特征，让检测头预测box相对参考点的偏移量，进一步降低了优化难度。

复杂度分析

假设query和key的数量分别为

n_q

、

n_k

(

n_q=n_k

)，维度为

d

，key采样点数为

k

，图像的feature map大小为

d \times H\times W

，卷积核尺寸为

k

。

Convolution复杂度

为了保证输入和输出在第一个维度都相同，故需要对输入进行padding操作，因为这里kernel size为 $k$ (实际kernel的形状为 $k \times k \times d$ )。
大小为 $k \times k$ 的卷积核一次运算复杂度为 $O(k^2d)$ ，一共做了 $H\times W$ 次，故复杂度为 $O(HWk^2d)$ 。
为了保证第三个维度相等，故需要 $d$ 个卷积核，所以卷积操作的时间复杂度为 $O(HWK^2d^2)$ 。

Self-Attention复杂度

$\operatorname{Attention}(Q , K , V ) = \operatorname { softmax } \left( \frac { Q K ^ { T } } { \sqrt { d _ { k } } } \right) V$

$Q,K,V$ 的计算复杂度为 $n \times d$ 。
相似度计算 $QK^T$ ： $n \times d$ 与 $d \times n$ 运算，得到 $n \times n$ 矩阵，复杂度为 $O(n^2d)$ 。
$softmax$ 计算：对每行做 $softmax$ ，复杂度为 $O(n)$ ，则n行的复杂度为 $O(n^2)$ 。
加权和： $n \times n$ 与 $n \times d$ 运算，得到 $n \times d$ 矩阵，复杂度为 $O(n^2d)$ 。
故最后Self-Attention的时间复杂度为 $O(n^2d)$ 。

Transformer

Self-Attention的复杂度为

O(n^2d)

。

ViT

N = H \times W/P^2

Self-Attention的复杂度为

O(H^2W^2d/P^4)

。

DETR

n = H \times W

Self-Attention的复杂度为

O(H^2W^2d)

。

Deformable DETR

Self-Attention的复杂度为

O(HWd^2)

。

分析细节请看原论文。

几个问题

$Q,K,V$ 如何理解? 为什么不使用相同的 $Q$ 和 $K$ ？

1. 从点乘的物理意义上讲，两个向量的点乘表示两个向量的相似度。

2. $Q,K,V$ 的物理意义是一样的，都表示同一个句子中不同token组成的矩阵。矩阵中的每一行，是表示一个token的word embedding向量。假设一个句子“Hello, how are you?”长度是6，embedding维度是300，那么 $Q,K,V$ 都是(6，300)的矩阵。

所以

K

和

Q

的点乘可以理解为计算一个句子中每个token相对于句子中其他token的相似度，这个相似度可以理解为attetnion score，关注度得分。

虽然有了attention score矩阵，但是这个矩阵是经过各种计算后得到的，已经很难表示原来的句子了，而

V

还代表着原来的句子，所以可以将attention score矩阵与

V

相乘，得到的是一个加权后的结果。

经过上面的解释，我们知道

K

和

Q

的点乘是为了得到一个attention score 矩阵，用来对

V

进行提炼。

K

和

Q

使用不同的

W_{K}

W_{Q}

来计算，可以理解为是在不同空间上的投影。

正因为有了这种不同空间的投影，增加了表达能力，这样计算得到的attention score矩阵的泛化能力更高。

这里解释下我理解的泛化能力，因为

K

和

Q

使用了不同的

W_{K}

W_{Q}

来计算，得到的也是两个完全不同的矩阵，所以表达能力更强。

但是如果不用

Q

，直接拿

K

和

K

点乘的话，attention score 矩阵是一个对称矩阵，所以泛化能力很差，这个矩阵对

V

进行提炼，效果会变差。

详细分析可以看链接文章

https://medium.com/dissecting-bert/dissecting-bert-part-1-d3c3d495cdb3

https://www.zhihu.com/question/319339652/answer/730848834

如何Position Embedding更好？

目前还是一个开放问题，知乎上有一些优质的讨论，详细分析可以看链接文章

NLP: https://www.zhihu.com/question/347678607/answer/864217252

CV: https://zhuanlan.zhihu.com/p/99766566

ViT为什么要增加一个[CLS]标志位? 为什么将[CLS]标志位对应的向量作为整个序列的语义表示?

和BERT相类似，ViT在序列前添加一个可学习的[CLS]标志位。以BERT为例，BERT在第一句前添加一个[CLS]标志位，最后一层该标志位对应的向量可以作为整句话的语义表示，从而用于下游的分类任务等。

将[CLS]标志位对应的向量作为整个文本的语义表示，是因为与文本中已有的其它词相比，这个无明显语义信息的符号会更“公平”地融合文本中各个词的语义信息，从而更好的表示整句话的语义。

归纳偏好是什么？

归纳偏置在机器学习中是一种很微妙的概念：在机器学习中，很多学习算法经常会对学习的问题做一些假设，这些假设就称为归纳偏好(Inductive Bias) 。

归纳偏置可以理解为，从现实生活中观察到的现象中归纳出一定的规则(heuristics)，然后对模型做一定的约束，从而可以起到“模型选择”的作用，即从假设空间中选择出更符合现实规则的模型。可以把归纳偏好理解为贝叶斯学习中的“先验”。

在深度学习中，也使用了归纳偏好。在CNN中，假设特征具有局部性(Locality)的特点，即把相邻的一些特征融合到一起，会更容易得到“解”；在RNN中，假设每一时刻的计算依赖于历史计算结果；还有attention机制，也是从人的直觉、生活经验归纳得到的规则。

而Transformer可以避免CNN的局部性归纳偏好问题。举一个DETR中的例子。

训练集中没有超过13只长颈鹿的图像，DETR实验中创建了一个合成的图像来验证DETR的泛化能力，DERT可以完全找到合成的全部24只长颈鹿。这证实了DETR避免了CNN的归纳偏好问题。

https://www.zhihu.com/question/264264203/answer/830077823

二分图匹配? 匈牙利算法？

给定一个二分图G，在G的一个子图M中，M的边集{E}中的任意两条边都不依附于同一个顶点，则称M是一个匹配。求二分图最大匹配可以用匈牙利算法。

详细分析可以看链接文章

https://liam.page/2016/04/03/Hungarian-algorithm-in-the-maximum-matching-problem-of-bigraph/

https://zhuanlan.zhihu.com/p/62981901

BETR的positional embedding、object queries和slot三者之间有何关系？

DETR可视化decoder预测得到的20个slot。可以观察到每个slot学习到了特定区域的尺度大小。Object queries从这个角度看，其实有点像Faster-RCNN等目标检测器的anchor，结合encoder的positional embedding信息让每个slot往学习到的特定区域去寻找目标。

Transformer相比于CNN的优缺点?

优点：

Transformer关注全局信息，能建模更加长距离的依赖关系，而CNN关注局部信息，全局信息的捕捉能力弱。

Transformer避免了CNN中存在的归纳偏好问题。

缺点：

Transformer复杂度比CNN高，但是ViT和Deformable DETR给出了一些解决方法来降低Transformer的复杂度。

总结

Transformer给图像分类和目标检测方向来了巨大革新，分割、跟踪、视频等方向也不远了吧。

NLP和CV的关系变的越来越有趣了，虽然争议很大，但是试想一下， NLP和CV两个领域能用一种范式来表达，该有多可怕，未来图像和文字是不是可以随心所欲的转来转去？可感知可推理的强人工智能是不是不远了？ (想想就好)

向着NLP和CV的统一前进。

引用

[1]Attention Is All You Need

[2]An Image is Worth 16*16 Words: Transformers for Image Recognition at Scale

[3]End-to-End Object Detection with Transformers

[4]Deformable DETR: Deformable Transformers for End-to-End Object Detection

NeurIPS 2020论文接收列表已出，欢迎大家投稿让更多的人了解你们的工作~

点击阅读原文，直达NeurIPS小组~

登录查看更多

相关内容

注意力机制

关注 120

Attention机制最早是在视觉图像领域提出来的，但是真正火起来应该算是google mind团队的这篇论文《Recurrent Models of Visual Attention》[14]，他们在RNN模型上使用了attention机制来进行图像分类。随后，Bahdanau等人在论文《Neural Machine Translation by Jointly Learning to Align and Translate》 [1]中，使用类似attention的机制在机器翻译任务上将翻译和对齐同时进行，他们的工作算是是第一个提出attention机制应用到NLP领域中。接着类似的基于attention机制的RNN模型扩展开始应用到各种NLP任务中。最近，如何在CNN中使用attention机制也成为了大家的研究热点。下图表示了attention研究进展的大概趋势。

【EMNLP2020】高性能自然语言处理，274页ppt详述最新Transformer等技术进展

专知会员服务

60+阅读 · 2020年11月21日

图节点嵌入(Node Embeddings)概述，9页pdf

专知会员服务

39+阅读 · 2020年8月22日

系列教程GNN-algorithms之五：《注意力机制在图上的应用—GAT》

专知会员服务

64+阅读 · 2020年8月7日

【ACL2020】基于图神经网络的文本分类新方法

专知会员服务

68+阅读 · 2020年7月12日