ACMix：清华提出融合卷积与自注意力机制的模块

前几天看了一篇由清华大学发表的融合卷积与自注意力机制的文章，其中将融合模块称为 ACMix。本文主要就其中的融合细节进行讲述。

paper：http://arxiv.org/abs/2111.14556
code：https://github.com/LeapLabTHU/ACmix

\quad

介绍（文章贡献）

---

有两个方面：(1) 揭示了自注意力和卷积之间的强大潜在关系，为理解两个模块之间的联系提供了新的视角，并为设计新的学习范式提供了灵感。 (2) 提出了自注意力和卷积模块的优雅集成，它享有两个世界的好处。经验证据表明，混合模型始终优于其纯卷积或自注意力模型。

\quad

相关工作

---

这部分主要针对 Self-Attention only、Attention enhanced Convolution、Convolution enhanced Attention 的不同现有网络进行了介绍，感兴趣的可以看看原文。

\quad

方法

---

回顾 Convolution

上图所示是一个3x3的卷积核对一个6x6大小的特征图$f_{in}$进行卷积，实现方式就是用该卷积核在特征图上滑动，将特征图核原图重叠的像素块进行乘积，然后进行加和得到输出特征图$f_{out}$对应像素的值。
\quad

因此标准卷积层的理论计算可以定义如下，即输出卷积图中$(i,j)$像素点的值是卷积核与前一层特征图的乘积加和，如下

为了方便可以重写为

为了进一步简化，定义 $Shift$ 算子


\quad

依照ACMix论文，我们完全可以换一下上面的逻辑，卷积就可以抽象成两个阶段：

• 阶段一：先用卷积核的中的一个 pixel 生成整个特征图，比如就考虑 3x3 卷积核的左上角像素，和前一张特征图做卷积，得到只属于该卷积核像素的特征图
  

• 阶段二：在我们获取输出特征图的时候，我们如果要求在$(i,j)$像素的输出特征图的值，就直接提取每张卷积核特征图对应偏移量的像素值，然后进行加和
  

\quad

回顾 Self-Attention

总计算式子如下，即想要求$(i,j)$像素的输出特征图的值，则需要当前$(i,j)$像素的特征，与其周围区域
内其他特征进行权重计算
，然后再用权重求和

拆分成两阶段

ACMix

ACMix 合并 convolution 和 self-attention 的共有模块，首先在第一阶段先用1x1的卷积核扩充通道，生成$(q,k,v)$，而这将被第二阶段共用。

• 卷积分支：这里并不考虑将$(q,k,v)$分开看待，而是concat之后一起输入到全连接层。根据上面卷积重写的思想，先生成每个卷积核像素对应的特征图，如大小为$k$的卷积核就有$k^2$个特征图，然后再通过 $Shift$ 算子去融合特征图的输出
• 自注意力分支：直接就是正常的自注意力机制计算

最后将 convolution 和 self-attention 获得的特征通过超参数$\alpha 、\beta$进行加权融合，得到最终的特征图

\quad

$Shift$ 算子的实现

作者是采用了卷积核不同位置设为1的常量进行初始化，然后通过 depth-wise convolution 实现。

更多细节请看源码和原文。
paper：http://arxiv.org/abs/2111.14556
code：https://github.com/LeapLabTHU/ACmix