自注意模型学不好？这个方法帮你解决！

编者按：上周，微软亚洲研究院高级研究员胡瀚在 B 站分享了 ECCV 2020 论文“解耦自注意模型”。针对自注意模型中的退化现象，论文提出了解耦自注意模型，有效避免了这一退化现象，并证明了其在多种视觉识别任务中广泛有效，包括语义分割、物体检测、动作识别等。

论文直播分享回放视频

以下是直播分享的文字实录：

论文地址：

https://arxiv.org/pdf/2006.06668.pdf

代码地址：

https://github.com/yinmh17/DNL-Semantic-Segmentation

https://github.com/Howal/DNL-Object-Detection

大家好，我是来自微软亚洲研究院的胡瀚，今天我将给大家分享一个我们 ECCV 2020 的工作，题目叫 Disentangled Self-Attention Models，中文叫解耦自注意模型。这些是我的合作者。

图1： 论文与合作者介绍

首先，我将简要介绍一下什么是自注意模型，以及其它的一些应用。第二部分，我会讲一下它在计算机视觉应用的时候经常出现的一个现象，叫退化现象，以及我们对这个现象做的一些诊断分析。最后是方法和结果。

图2：内容提纲

我想大部分同学应该已经听说过自注意模型（Self-Attention Models）。这些模型在自然语言处理（NLP）领域比较成功。目前，它在 NLP 建模的时候，居于主导地位，几乎所有 NLP 领域的一些网络结构，都会基于这样一个模型。其中的先驱工作，是谷歌在2017年提出的 Transformer。如果没有听过 Transformer，可能也听过 GPT、BERT 这样一些很有名的预训练方法。还有我们微软亚洲研究院同事提出来的 MASS，UniLM，VL-BERT 等等预训练框架，它们都是以 Transformer 为基本的网络框架。

图3：在NLP 建模中居于主导地位的自注意模型

那什么是自注意模型？我们用 NLP 里的单词或者 token 来进行一个说明。本质上，它就是一个可以叠加的变换单元。对于每一个单词，这个模型会将输入的特征向量变换成输出的特征向量y。在变化过程中会编码单词和单词之间的关系，具体来说是通过3个投影向量来实现单词和单词之间的交互，分别是查询 Query、关键字 Key 以及这个单词的 Value 向量。

在计算过程中，每一个单词的输出向量 y 会表示成所有单词 Value 的一个加权求和。我们看这样一个公式（如图4），相应的权重 w 指代的是每个 Key 单词对每个 Query 的影响，通常我们用一个内积来去计算。

我们看看左边这样一个例子，这里显示的是有一个输出的 Query 单词，当时叫 making，它会受其它句子里其它单词的影响，这里颜色的深浅表示影响的大小。在这个历史里面，我们会发现 more difficult 对 making 的影响最大，这就是自注意模块的一个例子。这样的模块可以累积很多层，从而能够形成比较深的网络。

图4：对自注意模型的介绍

前面已经提到，这一模型在 NLP 领域居于主导地位。对于视觉来说，它并没有像在 NLP 领域应用的这么广泛。但是，它也已经被发现在很多地方很有用了，而且还在迅速发展。这里列举2个先驱的工作，第一个工作叫 Non-Local Neural Networks，这是发表在2018年 CVPR 的工作，这个工作将自注意模型应用在 backbone networks 里，将它作为卷积的补充。卷积主要是去建模一个局部的信息，而自注意模块可以建模全局信息，所以它们可以互补。那在这个应用里面，它本身是去建模所有像素之间的关系的。比如说这里有一个 X 像素，它在一个球上面，那么可以对这个视频里面其它帧，其它像素都可以产生影响。这篇论文发现，往网络里加入这个模块之后，可以改善很多任务的性能，包括物体检测、语义分割，还有动作识别。

第二个工作叫 Relation Networks，关系网络，也是发表在2018年 CVPR 上的。这个工作不是去建模像素和像素的关系，而是去建模物体和物体的关系。以前，针对物体和物体关系的建模其实没有很好的工具，有了这个模型之后，就可以实现第一个完全的端到端的物理检测器。

图5：自注意模型在视觉领域的两个先驱工作

除了这些先驱工作以外，自注意模型现在其实已经被用于很多视觉应用里了。总的来说，可以划分成3种应用：第一种是去建模像素和像素的关系，第二种是去建模物体和像素的关系，第三种则是建模物体和物体的关系。这里我列举一些有代表性的工作，需要注意的是，相关工作非常多，这里只列举了很小一部分来让大家对这三类应用有个感性的认识。

图6：对自注意模型当前工作的总结

关于像素和像素建模的问题，除了刚才提到的 Non-Local Neural Networks，尝试去和卷积互补以外，我们还有一些工作尝试去完全的替换卷积。

关于物体和像素关系的建模问题，会有些工作去尝试替换 RoIAlign 模块，这个模块也是在物体检测里必不可少的一个模块。近期还有一个很火的工作，叫 DETR，它是将 Transformer 整体应用到物体检测里去，几乎不需要任何物体检测这个领域相关的一些先验知识。

关于物体和物体关系建模的问题。刚才提到 Relation Networks，这个模型已经被广泛的应用于各种视频的识别任务里面，包括视频物体检测、多目标跟踪、视频动作识别等等。如果想了解更多更详细的进展，大家可以去看我在 CVPR 2020 做的一个 tutorial ：

PPT链接: https://ancientmooner.github.io/doc/CVPR2020_tutorial_hanhu.pdf

下面我讲讲将自注意模型应用到计算机视觉的时候，会出现的退化现象，以及我们对此做的一些诊断分析。

在通常的理解里面，我们认为自注意模型是在建模一个 pairwise 的关系，也就是一个二阶的关系。例如在图7这个例子中，我们希望建模所有像素之间的关系。一个很重要的问题就是这个模型是不是真的能够学到这种二阶 pairwise 关系。

图7：自注意模型对 pairwise 关系的建模

如果说要学到一个有意义的二阶 pairwise 关系，那么我们会期待不同的 Query 像素会被不同的 Key 像素所影响。我们看图8的例子，左图指代 Query 像素，右图指 Key 像素，而这里示意的两个 Query 像素，一个位于汽车上面，一个位于消防栓上面。我们同时也示意了一些 Key 像素，这里有4个绿色的框。

如果说学到一个好的二阶关系，我们就希望它会有这样一个效果：红色的框主要被这2个绿色框（上面的两个）所影响；而黄色的框又被另外一些绿色的框（下面的两个）所影响。

图8：理想中的学习效果

但是实际上，我们会发现，结果和预期其实很不一样（如图9）。对于左边的这2个 Query 像素来说，通常会被同一组 Key 像素所影响，例如这里的2个像素（红色的线所连接的两个像素），那这也就意味着，自注意模型从一个 Query 有关的模型退化到了一个 Query 无关的模型。那起作用的很有可能是一个一阶的、全局的 unary 模型，而不是我们所想要的二阶的 pairwise 模型。

图9：实际中的学习效果

图10是一些更实际的例子。这2个例子分别将自注意模型应用到物体检测和语义分割里。这里白色的十字指的是 Query 像素，这里有2个 Query 像素，它们都在很不一样的地方，但是，我们会发现，不同的 Query 像素对应的 activation map，也就是注意力图，长得很不一样。这里颜色越暖，就表示影响力越大，所以我们看到这两个 activation map 几乎一模一样。同样地，我们可以观察到语义分割里其实也是很像的。这也就意味着，自注意模型很有可能退化到了一个一阶的、全局的 unary 模型。我们去年有一篇论文叫 GCNet，第一次发现并且研究了这样一种现象。

图10：退化现象的两个例子

那我们很自然就会想，是什么原因导致了这样一种退化现象的发生。为了回答这些问题，我们深入检查了自注意模型的数学表达式，我们看这样一个内积的形式。

我们发现其实这样一种表达式可以分解成两项，一项是白化的 pairwise 项，还有一项是隐藏的 unary 项，注意这里白化的 pairwise 意思就是说，和之前的 Query、Key 不太一样，我们形成白化。就是先减均值，减完均值之后再做内积。这样数学形式是更纯粹的一个 pairwise 项。而第二项则是只与 Key 相关，而与 Query 无关，所以我们称为一阶项。

图11： 自注意模型数学表达式的分解

我们研究了，如果只用一种项，没有另外一项，那么它学到的模型，在语义分割里面会有什么表现？然后我们发现，如果没有 unary 项，它的结果甚至比标准的自注意模型效果还要好。标准的自注意模型实际上既包含 unary 项，也包括 pairwise 项，这个结果表明在标准的自注意模型里面，二阶的 pairwise 项和一阶的 unary 项在一起学的时候，并没有被学好。

图12：pairwise 项和 unary 项单独学习的效果

进一步去看，就是每一项单独学的时候，都会学到什么样的视觉线索。图13中，左边的两幅图是单独用 pairwise 项学到的注意力图，分别对于2个 Query 像素的注意力图，也是左上角的 Query 像素和侧下方的 Query 像素。右边一幅图，是单独用 unary 项学到的注意力图。

我们发现，pairwise 项会学到同一个类别内部像素之间的关系。先看左边一幅图，图里的 Query 像素，位于图片天空的区域，可以看到，所有天空区域都有一个很高的响应。再看右边这个图，图里的 Query 像素位于汽车上面，所有汽车的像素都会有一个很高的响应。

图13：pairwise 项学到同一个类别内部像素之间的关系

我们再看单独用 unary 项的时候会学到什么样的特性。可以看到，图14的注意力图很像一个边缘图，主要集中在边缘的像素上面。我们去比对了一下真实（ground truth）的边缘图，会发现2者其实很相似。

图14：unary 项学到边缘的像素

事实上，现在这些现象，在语义分割里其实是有一定普遍性的。为了证明这样一种普遍性，我们除了给一些可视化的例子外，还去做了统计分析。

我们统计了学到的注意力图和 GT 的每个像素类别的 region，以及边缘图的相关系数。图15为结果，其中63.5指的是 pairwise 项和像素区域图的一个相关系数，46.0表示 unary 项和边缘图的相关系数。它们都还比较高，所以可以看出它们其实有一个很强的相关性。

图15：不同项和对应部分的相关系数

接下来比较分别学，以及用标准的自注意模型同时去学的效果。图16是同时学的效果，我们会发现，下面2个图，跟上面比，语义要模糊很多，没有上面那么清晰。同时，我们也去统计了一下，它们和增值的一个相关性，我们看到，pairwise joint 的相关性从63.5，降到了31.8，unary joint 的相关性，从46.0降低到了17.2。这个结果表明在标准的自注意模型里面，联合学习这两项学到的语义特性，要比单独去学弱很多。

图16：联合学习这两项的效果比单独去学要弱很多

那为什么联合学习表现会很差？我们尝试去寻找背后的原因，重新去看一下相似度的计算过程。当我们把这两项，pairwise 项和 unary 项移到 exp 外面的时候，发现它们其实是乘项的关系。

图17：重新去看相似度的计算过程

我们认为，乘项的联合不是一个太好的选择，主要有两个原因。第一个原因是乘项的联合会将两者的梯度耦合在一起。我们可以看图18中两项梯度反向传播的公式，左边是针对 pairwise 项的梯度，右边是针对 unary 项的梯度。可以看到 pairwise 项的梯度，它会和 unary 项的值呈正相关，unary 项的梯度会和 pairwise 项的值呈正相关。

这样一种特性其实不是很好，为什么？因为如果有一项值很小，比如 unary 项很小，几乎等于0，那么它对于 pairwise 项的梯度也几乎是0，也就是说这个 pairwise 项几乎不学习了，这样其实不利于优化。

另一方面，乘项的联合更像是取交集。比如，我们看图18这样两个图，它们其实是很不一样的视觉线索，一个是区域，一个是边缘。当它们取交集之后，那就是一个空集。整体是空集就没有任何意义了。所以不是很好。

图18： 为什么乘项的联合，不是一个太好的选择

有了以上的一些观察和分析，我们接着讲我们是怎么去解决这样一个退化问题的。刚才提到乘项的联合不是很好，因为是取交集，那第一个措施，就是把取交集变成取并集，我们叫 union。如果取并集的话，当两项学的东西不一样的时候，取并集之后，两项内容都会包含进来，最后这个总的注意力图会见到更多东西。那如何去实现便捷的操作呢？其实很简单，我们把乘法变成加法。通过加法操作，我们会发现它们的梯度，也可以被解耦开了，就跟它的值没关系。

图19：解决方法：把取交集变成取并集

我们在语义分割的一个比较常用的标准平台评测集 Cityscapes 上面做了实验，当我们将乘法替换成加法的时候，看到了0.7个点的提升。同时，可以看到它学到的注意力图也会更有意义，就是非常清晰。这些相关系数，同时也增加了很多。从31.8提升到了67.9，从17.2提升到了65.7，很显著的提升。

图20：在 Cityscapes 上做实验的数据提升

那这样是不是就足够了？还有没有其它耦合的因素？我们发现其实还是有的。

如图21的公式，我们发现，在 pairwise 项和 unary 项里面，有一个共同的元素叫 k_j，就是 K 变化，它们是共享的。于是我们想说，是不是应该把它们给解耦开，使两项里面的 K 变化是独立的，所以就得到了下方的公式。

图21：另一个耦合的因素

我们发现把 K 变化解耦以后，学到的视觉线索更加清晰。我们看到右侧图的下方几乎是零了，但中间图的下方其实还有一些响应。同时，相关的系数也可以看到还有进一步的提升，从67.9提升到75.9，从65.7提升到69.6。

图22：K 变化解耦以后效果的提升

通过对标准的自注意模型做了改动，我们在语义分割的一个任务里面，总共带来了两个点的提升，从78.5提升到80.5。相比于自注意模型的基本网络，我们提升了近5个百分点，这是一个很显著的提升。

图23：改动标准的自注意模型后的效果提升

我们把这一方法叫做 Disentangled Non-Local Neural Networks，简称 DNL。我们在语义分割的3个数据集上面都做了实验，发现它相比于标准的自注意模型都有一个显著的提升。在 Cityscapes 提升了1.2点，在 PASCAL-Context 提升了4.5个点，在 ADE20K 提升了1.3个点。

图24： 在语义分割的3个数据集上的实验结果

同时这些模型也很通用，也能够去改进物体检测。图25中的第一个表格是把它应用到 COCO 物体检测里的一个例子，bbox 和这个 mask 都有1.3个点的提升。同时，把它应用在 Action recognition，基于 Kinetics 来做评测，它 Top-1 和 Top-5 都有0.4和0.5个提升。考虑到标准的 attention model，针对 baseline 提升相对很显著，几乎是100%。

图25：在物体检测数据集上的实验结果

下面我们看一看在检测和动作识别里面，分别学到了什么样的一个特性。

图26是应用到物体检测里面的一个例子，左边是标准的模型，右边是我们的解耦模型。十字的框表示的是不同的 Query。可以看到左边的模型里面，对于不同的 Query，学到的 attention map 几乎是一样的。而在我们的模型里面，它表现会很不一样。例如 Query 点在人身上，那么对它有影响的这些像素，就主要是在前景里面，但 Query 像素是背景的时候，对它有影响的区域就主要是背景的区域。另外一些例子，也会有同样的性质，就是左边的 attention map 都长得很像，右边会根据 Query 的变化而变化。

图26：在物体检测上的实验结果

在动作识别里面，也能观察到同样的现象。图27中，我们每个视频都取了四帧放在一行，然后每一行代表不同的 Query 点。图中上部分是标准的模型，下半部分是解耦的模型。看位于图片下两行的例子，会发现不同的 Query 点对应的 attention map 长得很像，而在解耦模型里面，则会有一些跟 Query 有关的 attention map 出来，它会收到跟 Query 有关的一些性质。

图27：在动作识别上的实验结果

最后做一个简单的小结。在这次分享中，我们尝试着回答了2个问题。第一个是，在视觉任务里面，自注意模型有没有被学好？那我们的回答是，大部分其实没有学好。如果大家感兴趣可以去看我们去年的 GCNet 工作。第2个问题是，怎么样才能够有效地建模自注意模型？我们提出了一个解耦的设计，它可以更有效地学到建模这个制度与机制。

我们的代码已经开源了，如果感兴趣可以扫描二维码获取，他们分别是应用在语义分割和物体检测里的。同时，这个方法也在 mmsegmentation 里，欢迎大家试用和交流。

你也许还想看：