Transformer, DETR, ViT, SwinIR

Transformer

Layer Norm

​ Batch Norm(左): 在每个batch里，将特征均值变成0，方差变成1，如下蓝色，不同batch的相同feature维度做norm

​ Layer Norm(右): 在同一batch的不同feature里做norm

​ 在实际训练中数据是(Batch*Seq*Feature)，不同batch对应的seq的长度不同，然而又用了等长的feature表达。样本长度变化较大的时候，均值和方差的抖动比较大。Layer Norm在每个样本内部算均值和方差，较为稳定。

Attention

​ 从整个序列中提取信息。尤其是self-attention，从自身中提取所有信息，再根据q-k找出相似度最大的信息，也就是有用的信息作为了特征向量。

​ 例如给出一个q “hello”，根据q “hello”的vector去整个序列中计算点乘，越大的代表相似度(compatibility)越大，越小的代表相似度越小（比如空间上垂直）（e.g. “hello”和“hi”的相似度应该越大）。得到所有key和q“hello”的相似度之后，再再各个维度上根据相似度加权计算v，得到attention的output。

​ output再经过后面的Feed-Forward层等投影到目标的语义空间。

Multi-head Attention

​ 有了上面的概念，类似于CNN不同通道的不同filter，使用不同head的attention可以提取出不同特性的信息。

​ Transformer实现的意义和RNN是一样的，将时序信息传递给输入进行计算，实现时序信息的传递。RNN中是前一时刻传递给后一时刻，Transformer中是通过attention在全局的序列中提取信息。又由于Transformer中不同信息可以并行从query中抽取，效率高于顺序时序的RNN。

DETR (DEtection TRansformers)

End-to-end Object Detection with Transformers

相比Faster R-CNN等做法，DETR最大特点是将目标检测问题转化为无序集合预测问题(set prediction)。论文中特意指出Faster R-CNN这种设置一大堆anchor，然后基于anchor进行分类和回归其实属于代理做法即不是最直接做法，目标检测任务就是输出无序集合，而Faster R-CNN等算法通过各种操作，并结合复杂后处理最终才得到无序集合属于绕路了。现在核心问题来了：输出的 (b,100) 个检测结果是无序的，如何和 GTBounding Box 计算loss？这就需要用到经典的二分图匹配算法了，也就是常说的匈牙利算法。

​ 图解总结DETR的四步：
​ 1. CNN抽取特征
​ 2. Transformer的encoder，学习全局特征
​ 3. Transformer的decoder，生成多个预测框
​ 4. 预测框和GT做匹配，求得loss（推理的话，就是根据置信度阈值输出各个预测框的目标类型）

Object detection set prediction loss

二分图匹配问题：DETR的预测结果是大小为N（固定）的集合（也就是N个预测框），因此需要将所有N个框与GT的框进行匹配，计算loss。解决方案是scipy.linear_sum_matrix，在位置重叠度和分类正确度二者中找到最优解，也就是找到每个GT框对应的唯一框。

目标检测的目标函数如上图

object queries: learnable position embedding，类似于anchor的概念

​ 总述：先根据CNN提取特征，得到向量与相同大小的position embedding层相加，然后长宽拉直作为transformer encoder的输入。encoder输出一个与输入大小相同的向量，与object queries在decoder处做attention，得到对应各个检测框的特征向量 ，再将特征向量送给FFN进行一个类别和位置框的预测。最后匈牙利算法二分图匹配，计算loss再反向传播。

​ 论文代码解析（36行实现，无敌）
​ 超参：row 33，nheads是multi-head attention
​ 模型初始化：backbone是ResNet50
​ 前向过程：没什么特别的，pos是position embedding的向量，h是上面100*256的特征向量

​ Attention的可视化实验，突出输出各个点的attention区域（上encoder/下decoder)：

​ 可见decoder明显attention到了很多边缘特征，类似于u-net，恢复细节的效果

ViT

paper title: an image is worth 16x16 words
意思就是把一张图分成16x16的patch，每个patch里做attention

contribution
将attention用到cv领域，同时减少拉直的图片的序列长度
将transformer直接用于cv，尽量少的修改

ViT在ImageNet上比CNN第几个点，是因为CNN自带的两个inductive biases，相当于是强先验信息：
1.sliding window:基于图片上相邻区域具有相邻特征
2.translation equivalent:类似于平移不变性的意义，没有特别懂
所以效果体现：在更大的数据集上，vis transformer>>cnn

​ Transformer在nlp领域，自监督的训练方法，BERT是“denosing完形填空”，GPT是“next word prediction”。视觉Transformer的各种其他的改进attention方式确实有效，但是需要大量的设计进行GPU训练的加速，在部署实现上有困难。

ViT模型图如下

​ 图像切割成16x16的patch之后，分别做patch embedding（将各个patch图像经过linear projection的全连接层）和position embedding（根据patch位置的特征向量），二者直接sum上，再在首部接上cls token，作为Transformer encoder输入的seq。seq经过multi-head attention，

​ 最难以理解的地方 - Extra Learnable Embedding: CLS Token/Embedding
​ CLS Token就是在输入seq最前面加上一维，初始化为0。由于没有给他初始信息，他有从所有的seq成员token都相互做了attention，那么这个cls token的所有信息都是从所有其他token处学到的信息，最后认为可以拿来表示所有token的特征。在nlp中cls token的特征代表的是句子级别的意义，换到图像上cls token的输出就代表了整个图像也就是所有像素的整体语义。最后只用拿出cls token的特征向量（也就是整个output seq的第0维），作为整张图片提取出的特征向量，直接丢进MLP就能够实现分类任务。

​ 补充：当然这个拿来做classification是有道理的，拿其他token经过Transformer的输出的特征表示也是有道理的，或是取global max/mean pooling等等，实验证明都可以，不同任务有不同的做法…
​ 下图是用cls token做分类，和用以往feature map做分类的准确率比较：

总结下和原始transformer编码器不同的地方：

• 输入编码器的位置编码需要考虑2-D空间位置。
• 位置编码向量需要加入到每个Encoder Layer中。
• 在编码器内部位置编码Positional Encoding仅仅作用于Query和Key，即只与Query和Key相加，Value不做任何处理。

SwinIR: 多尺度ViT