CV-transformer_cv transformer

VIT

transformer

sequence结构采用的是RNN网络，后面时刻的信息依赖于前一时刻，存在无法并行运算的问题。
CNN没有时序上的依赖可以进行并行运算，但CNN倾向于提取局部信息，没有全局视野。
Transformer的优势：
并行运算、全局视野、灵活堆叠能力。

VIT结构设计

VIT采用原版transformer的编码端。
VIT输入端适配
将图片进行切分，然后进行编号，送入至网络中。

• Patch 0：为了整合信息的向量，即将整个图片的信息形成一个可学习的向量，用这个向量表示这个图片的信息，可用于后续分类。
• 位置编码：将图片进行切分后，图像失去了位置信息，transformer的网络特性决定了其内部运算是空间信息无关的，因此设立一个位置信息编码送入至网络，即利用一个可学习的向量来进行位置编码，将patch向量和位置向量直接相加组成输入。
• 数据流：输入图片$(b,c,h,w)$，切分后图片的输入维度$(b,N,P^{2}c)$,其中$N=hw/p^2$，N为切分块数，P为每块的边大小。Linear projection of flattened patch：先拉平再降维。
  
  训练方法
  先在大数据集上进行预训练，再在小数据集上微调。
  迁移过去后，将原本的MLP head换掉，换成对应类别数的FC层。
  处理不同尺寸输入的时候，需要对位置编码的结果进行插值
  attention距离和网络层数的关系
  attention的距离可以等价为conv中感受野大小
  
  可以看到越深的层数，attention跨越的距离越远；但在最底层，有的head也可以覆盖到很远的距离，这可以说明负责global信息整合。
  分类结果和什么有关
  
  整体来看模型注意力集中的地方都和分类的语义有关。

PVT

pyramid vision transformer（金字塔VIT）
VIT缺点

• 显存占用
  模型中参数、模型每一层的输出、BP时的参数、优化器中的一些参数都会占用显存。
• 表示方法
  
• 难以用在下游任务中
  PVT意义
  展示了纯transformer在CV下游领域内的应用方式，引发了什么是一个好backbone的思考
  模型总览
  
  CNN有特征金字塔结构，可以提取出不同size的feature map。VIT是直筒型的结构，即feature map的size在一开始就固定，因此VIT用于下游任务较为困难。那么，PVT引入金字塔结构，每个block是一个VIT，提取出不同size的feature map。
  PVT模型结构
  
  直筒型结构的缺点
  VIT中feature map的分辨率依赖于patch size。但是最佳的patch size与输入图片相关。
  
  图片越简单，需要切的片越少。
  但是，在下游任务中，高分辨率是必须的，即切片数越多可能越好，比如语义分割中。
  并且直筒型结构无法灵活地调整显存开销
  图像金字塔
  当一种分辨率的feature map无法很好表示时，可以采用多个
  VIT使用FPN地困境
• MHA的困境：q,k的数量和切分patch的大小相关。patch越小，q,k越多，MHA计算越慢，显存占用越高；patch越大，feature map分辨率越低，会影响到下游任务的性能。
  解决方案
  人为限制K、V的个数。

swin transformer

VIT的缺点

• 显存占用：token的数量
  token是指模型运行中最小的处理单元，VIT中的token是指一个patch，token的数量就是patch的数量。
• 表示方法：token应该多大
• 难以用在下游任务
  
  transformer迁移到CV中的两个挑战
• 物体尺度不一：利用分层结构（pyramid）来解决该问题
• 图像分辨率大：即切片数量大，那么为了可以在高分辨率上运行，限制attention的计算范围。
  swin transformer结构
  
• patch merging：切片（token）合并，即将之前stage切分的token重新合并成一个，以便后续的切分。每个stage开始前做降采样，来缩小分辨率，并调整通道数进而形成更有层次化的设计，并节省一定运算量。
  W-MSA
  MHA的困境：
  
• 解决方案：swin transformer采用window multiscale self attention，将attention的计算限制在同一个窗口内，使得复杂度降到了O(n)（layer采用的是W-MSA）。存在问题：window和window之间是不相关的，缺乏global性。因此在切分时，为了使window之间存在交叉，采用其他切分方法。
  
  SW-MSA
  W-MSA存在问题：硬性的限制会丢失全局信息，限制了模型能力，因此需要一个跨window的操作，增强window间的交互。
  
  移动切分后，window的数量变多，之前不同window之间会有交互，但window的尺寸变得不一样了。因此，可以采用padding的方式将window的尺寸变得一样，在mask掉其他值，这样就可以直接调用原本的方法。
  
  
  相对位置编码
  绝对：对于每个位置生成一个固定的位置编码
  相对：当前位置相对于其他位置，当前位置编码是多少。且相对位置编码的index是对每个window内的patch写死的，不可学习的。

DETR

背景（以往方法的问题）
目前的方法都不直接，即无论是单阶段还是两阶段，无论是anchor based还是anchor free的，它们都无一列外地需要使用后处理方法：NMS来过滤掉冗余地预测框。目前的方法都是基于dense prediction，在原理上，这种操作方式不符合人类识别物体的方式。
DETR的研究意义

• DETR将目标检测作为一个set prediction（集合预测）问题。
• 简洁高效，可以去除诸如NMS、anchor生成的先验知识操作。
• 设计了一个set-based的全局损失函数，并采用transformer的encoder-decoder结构。
• 原理简洁，无需特殊库的支持
  目标检测简介
  
  目标检测其实是两个问题：定位（localization）和分类（classification）
  以往方法：
• RCNN类型：将检测分为[定位，分类]两个阶段来操作，即预定位->crop->分类（散步）。
• yolo系列：单阶段检测器，一次前向解决定位+分类问题
• fcos类型：anchor free的方法，在feature map上的每个点预测结果。
  这种方法都是通过预定位再分类的方法，是一种dense prediction。只是在两阶段中，是将位置信息显式地标出来，然后逐个proposal分类+微调；单阶段中，位置信息是通过feature map上的相对位置关系得到，然后逐pixel分类+微调。这种情况下，总会需要后处理（NMS）。
• NMS：因为总会有多个proposal对应同一个instance或者多个pixel对应同一instance，那么这些多出来的框就要处理下。NMS（非极大值抑制）。
  NMS的两个假设：如果两个框离得很近，那么两个框很有可能属于同一个instance；在属于同一个instance得框中，分类得分越高的，定位质量越高bi如。
  但NMS的假设并不总是成立，即两个instance本来就很近
  
  
  DETR
  
  
  

set predication
问题定义：一个预测集和GT集之间匹配的问题。

问题在于匹配的方式有多种，那么应该选那种？
->match loss最小的那一种。

采用匈牙利匹配找到loss最小的匹配方式。

position embedding
位置编码是写死的，不可学习的。
图像是2d的，因此：

encoder-decoder

DETR的位置编码会应用到每一个encoder上，而不只是开头的一个，而且只会加到QK上，不影响V。
右边为编码器，多出来的MSA，K和V来自于encoder，Q来自于obj queries。
obj queries是一个可学习的向量（num，b，dim）。num是人为给的值，远大于图片内物体数量，默认为100.b为batch size。dim是attention运行过程中用的未读数。

deformable DETR

DETR的问题
DETR提出一套不同于dense prediction的pipeline，将检测视为一个set prediction的问题，成功去掉了anchor和NMS。
但在实际应用中，DETR在训练阶段面临难以收敛的困难，即训练开销过高；测试阶段，transformer存在计算量的问题，只能在分辨率最低的feature map上运行，导致小目标行的性能很差。
deformable DETR提出一种改进的attention机制，收敛速度更快，精度更高。
DETR收敛慢的缺点是：attention map变稀疏需要很长时间，transformer计算量大，只能运行在最后一层feature map上，导致小物体性能差。
deformable DETR总览

主体结构与DETR一致，利用多层feature map；所有attention采用deformable attention。
DCN（deformable CNN）
deformable是指可变形的，即参与卷积计算的点是可变的。

deformable attention