【ARXIV2205】Inception Transformer

【ARXIV2205】Inception Transformer

论文：https://arxiv.org/abs/2205.12956

代码：https://github.com/sail-sg/iFormer

1、研究动机

这个论文的核心思想仍然是：把 attention 和 CNN 相结合（谷歌的Inception），但是出发点不太一样。作者给出了VIT的 傅立叶谱，发现能量基本上集中于低频部分，对于图像中的边缘、角点等高频信息提取不足。（其实很好理解，attention本质类似于全局的加权求和，对于局部信息就有所损失了）

2、 Inception mixer

论文的主要贡献是改进了 attention ，提出了新的模块： Inception mixer。作者的想法非常直接，如下图所示，在现有的VIT结构中加入高频分支！

（1）高频分支。 可以看出，高频分支来自于经典的 Inception（如下图所示），其中的 linear 层本质就是 1x1 卷积。

对于输入的特征为\(C\)个通道，将其分为 \(C_h\) 和 \(C_l\) 个通道，分别用于提取高频和低频特征。对于高频特征，均匀分为两部分 \(X_{h1}\) 和 \(X_{h2}\)（均为\(C_h/2\)个通道），进行下面操作：

\[Y_{h1}=\text{FC}(\text{MaxPool}(X_{h1})) \]

\[Y_{h2}=\text{DwConv}(\text{FC}(X_{h2})) \]

（2）低频分支。 低频分支为传统的 MHSA，因为另外的分支带来了额外的计算量，因此这个分支首先进行 average pooling 操作，然后进 MHSA 计算以后再进行 upsample 操作。

最后，高频和低频的结果直接拼接在一起：\(Y_c=\text{Concat}(Y_l, Y_{h1}, Y_{h2})\)。

最后，因为低频上采样操作中直接插值，导致相邻 token 之间过度平滑和相似，为了解决这一问题，作者加一个DwConv，具体为：\(Y=\text{FC}(Y_c+\text{DwConv}(Y_c))\)

3、总体架构

作者采用了当前主流的4阶段 transformer 架构，构建了 small, base, large 三个模型，具体细节如下表所示。从表中可以看出，在网络浅层阶段，高频（conv）占比重较大，低频（MHSA）占比重较小。在网络深层阶段，就反过来了。这和当前主流卷积和Transformer结合方法的结论基本一致。同时，在结论中，作者也承认，高频和低频之间的比例需要根据经验来确定，是这个方法的 limitation。

该方法在图像分类任务上取得了非常好的性能。作者还做了目标检测、语义分割的实验，详细可以参照作者论文。