核心内容摘要
贪心算法-递增的三页子序列
BiFormer: Vision Transformer with Bi-Level Routing Attention摘要作为视觉变换器的核心构建模块注意力机制是一种强大的工具用于捕获长距离依赖关系。
然而这种强大的功能是有代价的它会导致巨大的计算负担和沉重的内存占用因为需要在所有空间位置之间进行成对token交互计算。
一系列工作试图通过引入手工制作和 content-agnostic 的稀疏性来缓解这个问题例如将注意力操作限制在局部窗口、轴向条纹或扩张窗口内。
与这些方法不同本文提出了一种通过双层路由的新型动态稀疏注意力机制以实现更灵活的内容感知计算分配。
具体来说对于查询首先在粗粒度区域级别过滤掉无关的键值对然后在剩余候选区域即 routed regions的并集中应用细粒度的 token-to-token 注意力。
本文提供了一种简单而有效的双层路由注意力实现方法该方法利用稀疏性来节省计算和内存同时仅涉及 GPU 友好的密集矩阵乘法。
基于所提出的双层路由注意力机制一种新的通用视觉transformer命名为BiFormer随即提出。
由于BiFormer以query adaptive的方式关注相关token的小子集而不会受到其他无关token的干扰因此它既具有良好的性能又具有很高的计算效率特别是在密集预测任务中。
在图像分类、目标检测和语义分割等多个计算机视觉任务上的实验结果验证了本文设计的有效性。
代码可在https://github.com/rayleizhu/BiFormer获取。
1 引言Transformer具有许多适合构建强大的数据驱动模型的特性。
首先它能够捕捉数据中的长距离依赖关系[29_SwinTransformer, 42_Transformer]。
其次它几乎无归纳偏差因此使模型更加灵活能够拟合大量数据[15_Vit]。
最后但同样重要的是它具有高度并行性这有利于大型模型的训练和推理[42_Transformer, 13_BERT, 33_GPT1, 36_DALL·E]。
因此Transformer不仅革新了自然语言处理还在计算机视觉领域展现了非常promising的进展。
过去两年计算机视觉领域见证了视觉transformer的爆炸式增长[29_SwinTransformer, 14_CSWinTransformer, 44_PVT, 15_Vit, 1_DETR, 46_CrossFormer]。
在这些工作中一个热门话题是改进核心构建模块即attention机制。
与本质上是一种局部操作的卷积不同注意力的一个关键特性是全局感受野这使视觉 Transformer 能够捕获长距离依赖关系[42_Transformer]。
然而这种特性是有代价的由于注意力机制计算所有空间位置之间的 pairwise token affinity它具有很高的计算复杂度并导致巨大的内存占用。
为缓解这一问题一个有前景的方向是将稀疏注意力[6_Sparse_Transformer]引入视觉 Transformer 中使得每个查询仅关注一小部分键值对而不是全部。