在這篇論文中，來自蘋果的研究者提出了一種用于移動設(shè)備的輕量級通用視覺 transformer——MobileViT。該網(wǎng)絡(luò)在 ImageNet-1k 數(shù)據(jù)集上實(shí)現(xiàn)了 78.4% 的最佳精度，比 MobileNetv3 還要高 3.2%，而且訓(xùn)練方法簡單。目前，該論文已被 ICLR 2022 接收。

• 論文鏈接：https://arxiv.org/pdf/2110.02178.pdf
• 代碼鏈接：https://github.com/apple/ml-cvnets

輕量級卷積神經(jīng)網(wǎng)絡(luò)（CNN）是移動設(shè)備機(jī)器視覺任務(wù)的首選。它們的空間歸納偏置允許它們在不同的視覺任務(wù)中，可以使用較少的參數(shù)進(jìn)行視覺內(nèi)容的學(xué)習(xí)表示。但是這些網(wǎng)絡(luò)在空間上是局部的。為了學(xué)習(xí)視覺內(nèi)容的全局表示，要采用基于自注意力的視覺 transformer（ViT）。與 CNN 不同，ViT 是重量級的。在這篇文章中，作者提出了以下問題：是否有可能結(jié)合 CNN 和 ViT 的優(yōu)勢，為移動設(shè)備機(jī)器視覺任務(wù)構(gòu)建一個輕量級、低延遲的神經(jīng)網(wǎng)絡(luò)模型？

為了解決上面的問題，作者提出了 MobileViT——一種用于移動設(shè)備的輕量級通用視覺 transformer。MobileViT 從另一個角度介紹了使用 transformer 進(jìn)行全局信息處理的方法。

具體來說，MobileViT 使用張量對局部和全局信息進(jìn)行有效地編碼（圖 1b 所示）。

與 ViT 及其變體（有卷積和無卷積）不同，MobileViT 從不同的角度學(xué)習(xí)全局表示。標(biāo)準(zhǔn)卷積涉及三個操作：展開、局部處理和折疊。MobileViT 使用 transformer 將卷積中的局部處理方式替換為全局處理。這使得 MobileViT 兼具 CNN 和 ViT 的特性。這使它可以用更少的參數(shù)和簡單的訓(xùn)練方法（如基本增強(qiáng)）學(xué)習(xí)更好的表示。該研究首次證明，輕量級 ViT 可以通過簡單的訓(xùn)練方法在不同的移動視覺任務(wù)中實(shí)現(xiàn)輕量級 CNN 級性能。

對于大約 500-600 萬的參數(shù)，MobileViT 在 ImageNet-1k 數(shù)據(jù)集上實(shí)現(xiàn)了 78.4% 的最佳精度，比 MobileNetv3 還要高 3.2%，而且訓(xùn)練方法簡單（MobileViT 與 MobileNetv3：300 vs 600 epoch；1024 vs 4096 batch size）。在高度優(yōu)化的移動視覺任務(wù)的體系結(jié)構(gòu)中，當(dāng) MobileViT 作為特征主干網(wǎng)絡(luò)時，性能顯著提高。如果將 MNASNet（Tan 等人，2019 年）替換為 MobileViT，作為 SSDLite（Sandler 等人，2018 年）的特征主干網(wǎng)絡(luò)，能生成更好的（+1.8%mAP）和更小的（1.8×）檢測網(wǎng)絡(luò)（圖 2）。

架構(gòu)細(xì)節(jié)

MobileViT 塊

如圖 1b 所示的 MobileViT 塊的作用是使用包含較少參數(shù)的輸入張量學(xué)習(xí)局部和全局信息。形式上，對于給定的輸入張量 X∈ R^(H×W×C)，MobileViT 應(yīng)用一個 n×n 標(biāo)準(zhǔn)卷積層，然后是逐點(diǎn)（1×1）卷積層來生成 X_L∈ R^(H×W×d)。n×n 卷積層編碼局部空間信息，而逐點(diǎn)卷積通過學(xué)習(xí)輸入通道的線性組合將張量投影到高維空間（或 d 維，其中 d>C）。

有了 MobileViT，我們希望在有效感受野為 H×W 的情況下對長程非局部依賴進(jìn)行建模。目前研究最多的長程依賴建模方法之一是空洞卷積（dilated convolution）。然而，這種方法需要仔細(xì)選擇擴(kuò)張率（dilation rate）。否則，權(quán)重將被應(yīng)用于填充的零，而不是有效的空間區(qū)域（Yu&Koltun，2016；Chen 等人，2017；Mehta 等人，2018）。另一個候選的解決方案是自注意力（Wang 等人，2018 年；Ramachandran 等人，2019 年；Bello 等人，2019 年；Dosovitskiy 等人，2021 年）。在自注意力方法中，具有多頭自注意力的（ViT）已被證明對視覺識別任務(wù)是有效的。然而，ViT 是重量級的，并且模型優(yōu)化能力低于標(biāo)準(zhǔn)，這是因?yàn)?ViT 缺少空間歸納偏置（肖等人，2021；格雷厄姆等人，2021）。

為了讓 MobileViT 學(xué)習(xí)具有空間歸納偏置的全局表示，將 X_L 展開為 N 個非重疊 flattened patches X_U∈ R^(P×N×d)。這里，P=wh，N=HW/P 是 patch 的數(shù)量，h≤ n 和 w≤ n 分別是 patch 的高度和寬度。對于每個 p∈ {1，···，P}，通過 transformer 對 patch 間的關(guān)系進(jìn)行編碼以獲得 X_G∈ R^(P×N×d)：

與丟失像素空間順序的 ViT 不同，MobileViT 既不會丟失 patch 順序，也不會丟失每個 patch 內(nèi)像素的空間順序（圖 1b）。因此，我們可以折疊 X_G∈ R^(P×N×d)以獲得 X_F∈ R^(H×W×d)。然后使用逐點(diǎn)卷積將 X_F 投影到低 C 維空間，并通過級聯(lián)操作與 X 組合。然后使用另一個 n×n 卷積層來融合這些連接的特征。由于 X_U（p）使用卷積對 n×n 區(qū)域的局部信息進(jìn)行編碼，X_G（p）對第 p 個位置的 p 個 patch 的全局信息進(jìn)行編碼，所以 X_G 中的每個像素都可以對 X 中所有像素的信息進(jìn)行編碼，如圖 4 所示。因此，MobileViT 的整體有效感受野為 H×W。

與卷積的關(guān)系 

標(biāo)準(zhǔn)卷積可以看作是三個連續(xù)操作：（1）展開，（2）矩陣乘法（學(xué)習(xí)局部表示）和（3）折疊。MobileViT 與卷積相似，因?yàn)樗怖昧讼嗤臉?gòu)建塊。MobileViT 用更深層的全局處理（transformer 層）取代卷積中的局部處理（矩陣乘法）。因此，MobileViT 具有類似卷積的特性（如空間偏置）。因此，MobileViT 塊可以被視為卷積 transformer 。作者有意簡單設(shè)計(jì)的優(yōu)點(diǎn)就是，卷積和 transformer 的底層高效實(shí)現(xiàn)可以開箱即用，從而允許我們在不同的設(shè)備上使用 MobileViT，而無需任何額外的改動。

輕量級 

MobileViT 使用標(biāo)準(zhǔn)卷積和 transformer 分別學(xué)習(xí)局部和全局表示。相關(guān)的研究作（如 Howard et al.，2017；Mehta et al.，2021a）表明，使用這些層設(shè)計(jì)的網(wǎng)絡(luò)量級很重，因此自然會產(chǎn)生一個問題：為什么 MobileViT 的量級很輕？作者認(rèn)為，問題主要在于學(xué)習(xí) transformer 的全局表示。對于給定的 patch，之前的研究是（如 Touvron 等人，2021a；Graham 等人，2021）通過學(xué)習(xí)像素的線性組合將空間信息轉(zhuǎn)換為潛在信息（圖 1a）。然后，通過使用 transformer 學(xué)習(xí) patch 間的信息，對全局信息進(jìn)行編碼。因此，這些模型失去了 CNN 固有的圖像特定歸納偏置。因此，它們需要更強(qiáng)的能力來學(xué)習(xí)視覺表示。這就導(dǎo)致這些網(wǎng)絡(luò)模型既深又寬。與這些模型不同，MobileViT 使用卷積和 transformer 的方式是，生成的 MobileViT 既具有類似卷積的屬性，又同時允許全局處理。這種建模能力使我們能夠設(shè)計(jì)淺層和窄層的 MobileViT 模型，因此最終的模型很輕。與使用 L=12 和 d=192 的基于 ViT 的模型 DeIT 相比，MobileViT 模型分別在大小為 32×32、16×16 和 8×8 的空間層次上使用 L={2,4,3}和 d={96,120,144}，產(chǎn)生的 MobileViT 網(wǎng)絡(luò)比 DeIT 網(wǎng)絡(luò)更快（1.85×）、更?。?×）、更好（+1.8%）（表 3 所示）。

計(jì)算成本 

MobileViT 和 ViTs（圖 1a）中多頭自注意力的計(jì)算成本分別為 O（N^2Pd）和 O（N^2d）。理論上 MobileViT 效率是比 ViTs 低的。然而在實(shí)踐中，MobileViT 實(shí)際比 ViTs 更高效。在 ImageNet-1K 數(shù)據(jù)集上，與 DeIT 相比，MobileViT 的 FLOPs 減少了一半，并且精確度提高了 1.8%（表 3 所示）。這是因?yàn)檩p量級設(shè)計(jì)（前面討論）的原因。

MobileViT 架構(gòu) 

作者設(shè)計(jì)的網(wǎng)絡(luò)也是受到輕量級 CNN 理念的啟發(fā)。以三種不同的網(wǎng)絡(luò)大?。⊿:small、XS:extra-small 和 XXS:extra-extra-small）訓(xùn)練 MobileViT 模型，這些網(wǎng)絡(luò)通常用于移動視覺任務(wù)（圖 3c）。MobileViT 中的初始層是一個 3×3 的標(biāo)準(zhǔn)卷積，然后是 MobileNetv2（或 MV2）塊和 MobileViT 塊（圖 1b 和 §A）。使用 Swish（Elfwing 等人，2018）作為激活函數(shù)。按照 CNN 模型，在 MobileViT 塊中使用 n=3。特征映射的空間維度通常是 2 和 h、w 的倍數(shù)≤ n。因此在所有空間級別設(shè)置 h=w=2。MobileViT 網(wǎng)絡(luò)中的 MV2 模塊主要負(fù)責(zé)下采樣。因此，這些區(qū)塊在 MobileViT 網(wǎng)絡(luò)中是淺而窄的。圖 3d 中 MobileViT 的空間水平參數(shù)分布進(jìn)一步表明，在不同的網(wǎng)絡(luò)配置中，MV2 塊對網(wǎng)絡(luò)參數(shù)的貢獻(xiàn)非常小.

實(shí)驗(yàn)結(jié)果

IMAGENET-1K 數(shù)據(jù)集上的圖像分類結(jié)果

與 CNN 對比

圖 6a 顯示，在不同的網(wǎng)絡(luò)規(guī)模（MobileNet v1（Howard et al.，2017）、MobileNet v2（Sandler et al.，2018）、ShuffleNet v2（Ma et al.，2018）、ESPNetv2（Mehta et al.，2019）和 MobileNet v3（Howard et al.，2019））中，MobileNet 在性能上優(yōu)于輕量級 CNN。對于大約 250 萬個參數(shù)的模型（圖 6b），在 ImageNet1k 驗(yàn)證集上，MobileViT 的性能比 MobileNetv2 好 5%，比 ShuffleNetv2 好 5.4%，比 MobileNetv3 好 7.4%。圖 6c 進(jìn)一步表明，MobileViT 的性能優(yōu)于重量級 CNN（ResNet（He 等人，2016 年）、DenseNet（Huang 等人，2017 年）、ResNet SE（Hu 等人，2018 年）和 EfficientNet（Tan&Le，2019a））。對于類似數(shù)量的參數(shù)，MobileViT 比 EfficientNet 的準(zhǔn)確度高 2.1%。

與 ViTs 進(jìn)行比較 

圖 7 將 MobileViT 與在 ImageNet-1k 未蒸餾數(shù)據(jù)集上從頭開始訓(xùn)練的 ViT 變體進(jìn)行了比較（DeIT（Touvron et al.，2021a）、T2T（Yuan et al.，2021b）、PVT（Wang et al.，2021）、CAIT（Touvron et al.，2021b）、DeepViT（Zhou et al.，2021）、CeiT（Yuan et al.，2021a）、CrossViT（Chen et al.，2021a）、LocalViT（Li et al.，2021）、PiT（Heo et al.，2021），ConViT（d’Ascoli 等人，2021 年）、ViL（Zhang 等人，2021 年）、BoTNet（Srinivas 等人，2021 年）和 Mobile-former（Chen 等人，2021b 年）。不像 ViT 變體顯著受益于深層數(shù)據(jù)增強(qiáng)（例如，PiT w / 基礎(chǔ)與高級：72.4（R4）與 78.1（R17）；圖 7b），MobileViT 通過更少的參數(shù)和基本的增強(qiáng)實(shí)現(xiàn)了更好的性能。例如，MobileViT 只有 DeIT 的 1/2.5 大小，但性能比 DeIT 好 2.6%（圖 7b 中的 R3 和 R8）。

MOBILEVIT 作為通用主干網(wǎng)絡(luò)的表現(xiàn)

移動目標(biāo)檢測

表 1a 顯示，對于相同的輸入分辨率 320×320，使用 MobileViT 的 SSDLite 優(yōu)于使用其他輕量級 CNN 模型（MobileNetv1/v2/v3、MNASNet 和 MixNet）的 SSDLite。此外，使用 MobileViT 的 SSDLite 性能優(yōu)于使用重型主干網(wǎng)絡(luò)的標(biāo)準(zhǔn) SSD-300，同時學(xué)習(xí)的參數(shù)也明顯減少（表 1b）。

移動語義分割：從表 2 可見，使用 MobileViT 的特征主干網(wǎng)絡(luò)比 DeepLabv3 更小、更好。

移動設(shè)備上的性能測試

輕量級和低延遲的網(wǎng)絡(luò)對于實(shí)現(xiàn)移動視覺應(yīng)用非常重要。為了證明 MobileViT 對此類應(yīng)用的有效性，使用公開的 CoreMLTools（2021 年）將預(yù)先訓(xùn)練的全精度 MobileViT 模型轉(zhuǎn)換為 CoreML。然后在移動設(shè)備 (iPhone12) 上測試它們的推理時間（平均超 100 次迭代）。

圖 8 顯示了 MobileViT 網(wǎng)絡(luò)在三個不同任務(wù)上的推斷時間，其中兩個 patch 大小設(shè)置（Config-A: 2, 2, 2 和 Config-B: 8, 4, 2）。

? ?