GiantPandaCV | OutLook Attention：具有局部信息感知能力的ViT

本文来源公众号“GiantPandaCV”，仅用于学术分享，侵权删，干货满满。

原文链接：OutLook Attention：具有局部信息感知能力的ViT

【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。

分类任务中，SOTA模型准确率和Model size的对应图

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”