ViT学习笔记（三） RepViT和TransNext简介
标准ViT的其他模块的功能以及源码解读，在CSDN上有很多优秀文章，参考文章将代码大致过一遍。像我这种只做工程不写论文的，个人认为大致明白就好，用不着特别细究。下面跟踪两个ViT比较新的变种继续深入学习一下：RepViT和TransNext，这两个都是轻量级架构。
RepViT：
论文地址：https://arxiv.org/abs/2307.09283
代码链接：GitCode - 全球开发者的开源社区,开源代码托管平台
RepViT（Revisiting Mobile CNN From ViT Perspective）是一种新的轻量级卷积神经网络（CNN）架构，它通过结合轻量级视觉变换器（ViTs）的高效架构设计，增强了标准轻量级CNN（如MobileNetV3）的移动友好性。RepViT在各种视觉任务中展现出比现有的轻量级ViT更高的性能，并且在延迟方面也具有优势。
以下是RepViT的一些关键特点和细节：
创新点：
1、 RepViT架构：RepViT将轻量级ViT的高效架构设计整合到标准轻量级CNN中，形成了新的轻量级纯CNN系列模型。
2、宏观和微观设计优化：对网络的宏观架构（如stem、下采样层、分类器和整体阶段比例）和微观架构（如内核大小选择和SE层放置）进行了优化，以适应移动设备的需求。
3、 结构重参数化（SR）：在RepViT block中采用了结构重参数化技术，以提高模型在训练期间的学习效率，并在推理期间减少计算和内存成本。
4、 跨块SE层放置：采用跨块方式放置挤压-激励（SE）层，以最大化准确性收益，同时最小化延迟增加。
5、性能与延迟的权衡：RepViT在各种视觉任务中展现出比现有的轻量级ViT更高的性能，并且在延迟方面也具有优势。特别是在ImageNet数据集上，RepViT在iPhone 12上的延迟仅为1.0毫秒，准确率达到80%以上，这在轻量级模型中尚属首次。
方法介绍：
RepViT通过以下几个方面对MobileNetV3网络进行改进：
1、分离Token混合器和通道混合器：使用深度可分离卷积（DW卷积）来分离空间和通道混合。
2、减小扩展比并增加宽度：调整网络的宽度和扩展比，以提高性能。
3、 起始卷积：使用3x3卷积作为网络的起始层。
4、更深的下采样层：增加下采样层的深度，以提取更丰富的特征。
5、分类器设计：优化分类器的设计，以提高最终的分类性能。
6、整体比例：调整网络的整体比例，以达到更好的性能和延迟平衡。
7、 卷积核大小选择：选择合适的卷积核大小，以适应不同的视觉任务。
8、 SE层的放置：在网络中合理放置SE层，以提高性能。
实验结果：
RepViT设计了五种不同大小的模型，即RepViT-M0.9/M1.0/M1.1/M1.5/M2.3，其中后缀-MX表示在移动设备如iPhone12上的延迟。在ImageNet上的结果表明，RepViT在不同的模型尺寸下都取得了SOTA（State of the Art）的结果。
应用案例和最佳实践：
RepViT不仅在图像分类任务中表现出色，还在目标检测和实例分割等下游任务中展示了优越的性能。例如，RepViT可以与目标检测框架（如MMCV）和实例分割框架（如MSegmentation）结合使用，进一步提升模型性能。
典型生态项目：
RepViT模型已经集成到TIMM（PyTorch Image Models）中，方便用户直接调用。此外，RepViT还可以与MMCV和MMSegmentation等计算机视觉库结合使用，以支持多种视觉任务。
RepViT为移动设备上的高效实时视觉模型提供了一个新的基准，并激发了对轻量级模型的进一步研究。
TransNeXt：
论文地址：https://arxiv.org/abs/2311.17132
代码地址： GitCode - 全球开发者的开源社区,开源代码托管平台
TransNeXt是在2023年11月28日提出的一种基于Transformer架构的视觉模型，主要用于图像分类和相似的视觉任务。
它通过将图像特征两种形式的编码来模拟生物视觉注视的效果：
• 通过滑动窗的形式生成的局部注意力
• 通过激活和池化得到的全局注意力
其中滑动窗的设计不是通过卷积来聚合滑动窗内的信息，而是通过unfold将滑动窗内的信息重新排列。unfold的概念：深度学习的unfold操作-CSDN博客
以下是TransNeXt的一些详细介绍：
核心特点和创新点：
1、聚合注意力（Aggregated Attention）：
• 聚合注意力通过结合两种非QKV（Query-Key-Value）注意力机制，进一步增强了模型的信息聚合能力。采用双路径设计，一条路径让每个查询（Query）对其最近邻特征有细粒度的注意力，另一条路径则让每个查询对空间下采样特征有粗粒度的注意力，从而允许进行全局感知 。并且，通过在相同的 softmax 中计算两条路径的查询 - 键（Query-Key）相似性结果的重要性，使细粒度和粗粒度特征之间产生竞争，将像素聚焦的注意力转变为多尺度注意力机制。
2、卷积GLU（Convolutional GLU）：
• 这是一种通道混合器，弥补了GLU和SE（Squeeze-and-Excitation）机制之间的差距，使每个令牌都具有基于最近邻图像特征的通道注意力。
• 卷积GLU增强了局部建模能力和模型的鲁棒性。
3、 跨通道信息融合：
• 通过多头自注意力机制跨越特征图的各个通道，实现信息的有效融合。
4、多尺度特征提取：
• 通过层次结构提取不同尺度的特征，适应各种目标大小的检测任务。
5、 轻量化设计：
• 相比传统Transformer，TransNeXt使用了轻量化模块，使得在嵌入YOLOv8时对性能影响较小。
应用场景：
TransNeXt在多种视觉任务中表现出色，包括图像分类、目标检测和语义分割。
TransNeXt通过其创新的聚合注意力和卷积GLU，有效地解决了Vision Transformers模型中深度退化效应导致的信息交换不足问题，实现了自然的视觉感知，并在多个视觉任务中展现出卓越的性能。
后续将继续这两种模型的学习。
原文地址：https://blog.csdn.net/xulibo5828/article/details/144328599
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！