OutLook Attention：具有局部信息感知能力的ViT

该原创内容首发于GaintPandaCV，转载请获得授权并标明出处

【写在前面】

近段时间，Transformer-based模型在Visual Recognition领域取得了非常大的进展。但是如果不借助额外的训练数据，Transformer-based模型离CNN-based模型还是具有一定的差距（NFNet-F5（CNN-based）：86.8%，CaiT（Transformer-based）：86.5%）。作者认为，这是因为token embedding并没有进行细粒度特征表示，因此本文提出了一种新的Attention方式，通过局部信息的感知，能够获得更加细粒度的特征表示。

1. 论文和代码地址

VOLO: Vision Outlooker for Visual Recognition

论文地址：https://arxiv.org/abs/2106.13112

官方代码：https://github.com/sail-sg/volo

一看就懂的核心代码： https://github.com/xmu-xiaoma666/External-Attention-pytorch/blob/master/attention/OutlookAttention.py

2. Motivation

前面说到了，token embedding进行特征表示是粗粒度的。为什么是token embedding就是粗粒度的呢？因为一张图片的size往往是比较大的(e.g., 224x224)，CNN因为只对局部的信息进行感知（在正常图片上进行滑动窗口操作），所以计算复杂度和图片大小呈线性关系。如果将图片进行token embedding，直接进行Transformer的操作，那就会导致计算复杂度“爆炸”，因为Transformer中的Self-Attention（SA）的复杂度与输入特征的大小是呈平方关系的。

所以Vision Transformer需要将图片先进行token embedding到比较小的size（e.g., 14x14），才能保证计算量在一个合理的范围内。但这就导致了一个信息损失的问题，因为token embedding到较小的size会丢失一些细粒度的信息。

“Embedding的图片太大，会导致计算量过大；embedding的图片过小，会导致信息损失太大”，如何在保证合理计算量的情况下，获得更加细粒度的特征表示，这就是本文要解决的问题。

3. 方法

本文的模型可以分为两步：

第一步，通过一系列Outlooker获得更加细粒度的特征表示。

第二步，通过一系列的Transformer结构聚合global的信息

3.1. Outlooker

本文提出的Outlooker其实和Transformer的Multi-head Attention非常相似。不同之处在将Multi-head Attention中的Self-Attention换成了OutlookAttention，从而能够获取更加细粒度的特征表示。

Outlooker的计算步骤如下：

3.2. Outlook Attention

Outlook Attention的核心思想如下：

1）每个空间位置的特征足够丰富，用于产生局部聚合其相邻特征的注意力权重；

2）深层的和局部的空间聚合可以有效地编码细粒度的信息。

下面来看Outlook Attention的框架图：

整个框架分为两个分支，上面的分支用于生成attention map，下面的分支用于生成投影后的value。

3.2.1. 生成Attention Map

首先看上面的分支，特征x首先被embedding到了$K^2\ast K^2$，其中K是局部感知的大小

然后，我们将$K^2\ast K$