YOLOS：通過(guò)目標(biāo)檢測(cè)重新思考Transformer

論文地址：https://arxiv.org/pdf/2106.00666.pdf

源代碼地址：https://github.com/hustvl/YOLOS

1 前言

Transformer能否從純序列到序列的角度執(zhí)行2D目標(biāo)級(jí)識(shí)別，而對(duì)2D空間結(jié)構(gòu)知之甚少？為了回答這個(gè)問(wèn)題，今天就展示了“You Only Look at One Sequence” (YOLOS)，這是一系列基于樸素視覺(jué)變換器的目標(biāo)檢測(cè)模型，具有盡可能少的修改和inductive biases。 

YOLOS-S, 200 epochs pre-trained, COCO AP = 36.1

我們發(fā)現(xiàn)僅在中等大小的ImageNet-1k數(shù)據(jù)集上預(yù)訓(xùn)練的YOLOS已經(jīng)可以在COCO上實(shí)現(xiàn)具有競(jìng)爭(zhēng)力的目標(biāo)檢測(cè)性能，例如直接從BERT-Base中采用的YOLOS-Base可以實(shí)現(xiàn)42.0 box AP。研究者還通過(guò)目標(biāo)檢測(cè)討論了當(dāng)前預(yù)訓(xùn)練方案和模型縮放策略對(duì)Transformer在視覺(jué)中的影響和局限性。

2背景

Transformer為遷移而生。在自然語(yǔ)言處理 (NLP) 中，主要方法是首先在大型通用語(yǔ)料庫(kù)上預(yù)訓(xùn)練Transformer以進(jìn)行通用語(yǔ)言表示學(xué)習(xí)，然后針對(duì)特定目標(biāo)任務(wù)對(duì)模型進(jìn)行微調(diào)。最近，Vision Transformer(ViT)表明，直接從NLP繼承的典型Transformer編碼器架構(gòu)可以使用現(xiàn)代視覺(jué)遷移學(xué)習(xí)配方在大規(guī)模圖像識(shí)別上表現(xiàn)出奇的好。將圖像補(bǔ)丁嵌入序列作為輸入，ViT可以從純序列到序列的角度成功地將預(yù)訓(xùn)練的通用視覺(jué)表示從足夠的規(guī)模轉(zhuǎn)移到更具體的圖像分類任務(wù)，數(shù)據(jù)點(diǎn)更少。

ViT-FRCNN是第一個(gè)使用預(yù)訓(xùn)練的ViT作為R-CNN目標(biāo)檢測(cè)器的主干。然而，這種設(shè)計(jì)無(wú)法擺脫對(duì)卷積神經(jīng)網(wǎng)絡(luò)(CNN)和強(qiáng)2D歸納偏差的依賴，因?yàn)閂iT-FRCNN將ViT的輸出序列重新解釋為2D空間特征圖，并依賴于區(qū)域池化操作（即RoIPool或RoIAlign）以及基于區(qū)域的CNN架構(gòu)來(lái)解碼ViT特征以實(shí)現(xiàn)目標(biāo)級(jí)感知。受現(xiàn)代CNN設(shè)計(jì)的啟發(fā)，最近的一些工作將金字塔特征層次結(jié)構(gòu)和局部性引入Vision Transformer設(shè)計(jì)，這在很大程度上提高了包括目標(biāo)檢測(cè)在內(nèi)的密集預(yù)測(cè)任務(wù)的性能。然而，這些架構(gòu)是面向性能的。另一系列工作，DEtection TRansformer(DETR)系列，使用隨機(jī)初始化的Transformer對(duì)CNN特征進(jìn)行編碼和解碼，這并未揭示預(yù)訓(xùn)練Transformer在目標(biāo)檢測(cè)中的可遷移性。

ViT-FRCNN

為了解決上面涉及的問(wèn)題，有研究者展示了You Only Look at One Sequence (YOLOS)，這是一系列基于規(guī)范ViT架構(gòu)的目標(biāo)檢測(cè)模型，具有盡可能少的修改以及注入的歸納偏置。從ViT到Y(jié)OLOS檢測(cè)器的變化很簡(jiǎn)單：

YOLOS在ViT中刪除[CLS]標(biāo)記，并將一百個(gè)可學(xué)習(xí)的[DET]標(biāo)記附加到輸入序列以進(jìn)行目標(biāo)檢測(cè)；

YOLOS將ViT中的圖像分類損失替換為bipartite matching loss，以遵循Carion等人【End-to-end object detection with transformers】的一套預(yù)測(cè)方式進(jìn)行目標(biāo)檢測(cè)。這可以避免將ViT的輸出序列重新解釋為2D特征圖，并防止在標(biāo)簽分配期間手動(dòng)注入啟發(fā)式和對(duì)象2D空間結(jié)構(gòu)的先驗(yàn)知識(shí)。

3 新框架

YOLOS刪除用于圖像分類的[CLS]標(biāo)記，并將一百個(gè)隨機(jī)初始化的檢測(cè)標(biāo)記（[DET] 標(biāo)記）附加到輸入補(bǔ)丁嵌入序列以進(jìn)行目標(biāo)檢測(cè)。

在訓(xùn)練過(guò)程中，YOLOS將ViT中的圖像分類損失替換為bipartite matching loss，這里重點(diǎn)介紹YOLOS的設(shè)計(jì)方法論。

Detection Token

我們有目的地選擇隨機(jī)初始化的[DET]標(biāo)記作為目標(biāo)表示的代理，以避免2D結(jié)構(gòu)的歸納偏差和在標(biāo)簽分配期間注入的任務(wù)的先驗(yàn)知識(shí)。在對(duì)COCO進(jìn)行微調(diào)時(shí)，對(duì)于每次前向傳遞，在[DET]tokens生成的預(yù)測(cè)與真實(shí)對(duì)象之間建立最佳二分匹配。該過(guò)程與標(biāo)簽分配的作用相同，但不知道輸入的2D結(jié)構(gòu)，即YOLOS不需要將ViT的輸出序列重新解釋為用于標(biāo)簽分配的2D特征圖。理論上，YOLOS在不知道確切的空間結(jié)構(gòu)和幾何形狀的情況下執(zhí)行任何維度的物體檢測(cè)是可行的，只要每次通過(guò)輸入總是以相同的方式展平為一個(gè)序列。

YOLOS-S, 300 epochs pre-trained, COCO AP = 36.1

Fine-tuning at Higher Resolution

在COCO上進(jìn)行微調(diào)時(shí)，除用于分類和邊界框回歸的MLP頭以及隨機(jī)初始化的100個(gè)[DET]標(biāo)記外，所有參數(shù)均從ImageNet-1k預(yù)訓(xùn)練權(quán)重初始化。分類和邊界框回歸頭均由MLP實(shí)現(xiàn)，具有兩個(gè)使用單獨(dú)參數(shù)的隱藏層。 

在微調(diào)期間，圖像具有比預(yù)訓(xùn)練高得多的分辨率，為了保持補(bǔ)丁大小相同（16 × 16），這導(dǎo)致更大的有效序列長(zhǎng)度。雖然ViT可以處理任意序列長(zhǎng)度，但位置嵌入需要適應(yīng)更長(zhǎng)的輸入序列。我們以相同的方式對(duì)預(yù)訓(xùn)練的位置嵌入進(jìn)行2D插值。

4實(shí)驗(yàn)分析及可視化

YOLOS的不同版本的結(jié)果

與訓(xùn)練的效果

不同尺度模型的預(yù)訓(xùn)練和遷移學(xué)習(xí)性能

與一些小型CNN檢測(cè)器的比較

Self-attention Maps of YOLOS

檢驗(yàn)與YOLOS-S最后一層頭部預(yù)測(cè)相關(guān)的[DET]tokens的自注意力?？梢暬痯ipeline遵循【 Emerging properties in self-supervised vision transformers】?？梢暬Y(jié)果如下圖所示。

對(duì)于給定的YOLOS模型，不同的自注意力頭關(guān)注不同的模式和不同的位置。一些可視化是可解釋的，而另一些則不是。

我們研究了兩個(gè)YOLOS模型的注意力圖差異，即200 epochs ImageNet-1k預(yù)訓(xùn)練YOLOS-S和300 epochs ImageNet-1k預(yù)訓(xùn)練YOLOS-S。注意這兩個(gè)模型的AP是一樣的（AP=36.1）。從可視化中，我們得出結(jié)論，對(duì)于給定的預(yù)測(cè)對(duì)象，相應(yīng)的[DET]標(biāo)記以及注意力圖模式通常對(duì)于不同的模型是不同的。