2025新风向聚类+Transformer创新结合！发A会根本不用愁！

“聚类+Transformer”是一种结合聚类算法和Transformer架构的创新方法，近年来在多个领域取得了显著的研究进展和应用成果。

我还整理出了相关的论文+开源代码，以下是精选部分论文

更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】   

论文1

标题：

Fast Transformers with Clustered Attention

具有聚类注意力的快速变换器

方法：

• 聚类注意力（Clustered Attention）：提出了一种新的注意力机制，通过将查询（queries）分组到聚类中，并仅计算聚类中心的注意力，而不是为每个查询单独计算注意力。

• 局部敏感哈希（LSH）和K-Means：使用局部敏感哈希和K-Means进行快速聚类，以减少计算复杂度。

创新点：

• 线性复杂度：通过聚类查询，将注意力计算的复杂度从O(N²)降低到O(NC)，其中C是聚类数量（C≪N），显著提高了处理长序列的效率。

• 性能提升：在自动语音识别任务中，与标准Transformer相比，聚类注意力在相同的计算预算下表现更好，例如在Wall Street Journal数据集上，改进的聚类注意力（i-clustered）在验证集上的电话错误率（PER）比全注意力模型低约1.5%。

• 预训练模型的高效近似：能够以极低的性能损失近似预训练的BERT模型，仅使用25个聚类即可在GLUE和SQuAD基准测试中达到与全注意力模型相当的性能。

• 可扩展性：该方法不仅适用于训练新的模型，还可以加速预训练模型的推理，无需额外训练。

论文2

标题：

PaCa-ViT: Learning Patch-to-Cluster Attention in Vision Transformers

PaCa-ViT：学习视觉变换器中的Patch-to-Cluster注意力

方法：

• Patch-to-Cluster注意力（PaCa）：提出了一种新的注意力机制，将图像块（patches）映射到聚类（clusters）上，将键（keys）和值（values）直接基于聚类计算，而不是基于块的嵌入。

• 端到端学习聚类：通过轻量级聚类模块学习聚类分配，将输入序列聚类为少量的“视觉令牌”（visual tokens），并用于计算注意力。

创新点：

• 线性复杂度：将注意力计算的复杂度从O(N²)降低到O(NM)，其中M是聚类数量（M≪N），显著提高了计算效率。在MIT-ADE20k语义分割任务中，与PVT模型相比，PaCa-ViT的计算复杂度显著降低。

• 性能提升：在ImageNet-1k图像分类任务中，PaCa-ViT（Tiny、Small和Base）的Top-1准确率分别比PVTv2模型提高了2.2%、0.98%和0.76%。在MS-COCO目标检测任务中，PaCa-ViT（Small）的平均精度（AP）比PVTv2-B2模型提高了0.6%。

• 可解释性：通过可视化聚类热图，直接解释模型的行为，为理解视觉变换器提供了新的视角。

• 轻量级分割头：提出了一个轻量级的语义分割头网络，显著降低了模型复杂度，同时在MIT-ADE20k数据集上取得了更好的性能。

论文3

标题：

CMT-DeepLab: Clustering Mask Transformers for Panoptic Segmentation

CMT-DeepLab：聚类掩码变换器用于泛视觉分割

方法：

• 聚类掩码变换器（CMT）：提出了一种基于聚类的变换器架构，将目标查询视为聚类中心，用于分割任务中的像素聚类。

• 交替聚类过程：通过交替的方式，首先根据特征亲和力将像素分配到聚类中，然后更新聚类中心和像素特征。

创新点：

• 密集注意力图：通过将目标查询视为聚类中心并引入聚类更新步骤，生成更密集的注意力图，显著提升了分割任务的效果（在COCO数据集上PQ提升了4.4%，达到55.7%）。

• 位置敏感聚类：通过动态位置编码和坐标卷积，将位置信息融入聚类过程，提升了模型对目标位置的感知能力（PQ提升了0.7%）。

• 频繁像素更新：通过在每个变换器解码器中更新像素特征，增强了像素与聚类中心之间的交互（PQ提升了1.3%）。

• 改进的解码器设计：通过增加更多的自注意力和交叉注意力模块，进一步提升了模型性能（PQ提升了0.9%）。

论文4

标题：

Not All Tokens Are Equal: Human-centric Visual Analysis via Token Clustering Transformer

并非所有标记都平等：通过标记聚类变换器进行以人为中心的视觉分析

方法：

• 标记聚类变换器（TCFormer）：提出了一种新的视觉变换器架构，通过逐步聚类的方式动态生成标记，标记可以来自不同位置，并具有灵活的形状和大小。

• 聚类标记合并（CTM）模块：通过基于密度峰值聚类算法对标记进行聚类，并通过加权平均合并同一聚类中的标记。

创新点：

• 动态标记生成：TCFormer能够根据图像内容动态调整标记的形状和大小，更好地聚焦于重要区域（如人体部位），在全身体姿态估计任务中，手部关键点的AP提升了6.2%）。

• 多阶段特征聚合：通过MTA头聚合多阶段的标记特征，有效保留了图像细节，提升了模型在细节捕捉任务中的性能（在3D人体网格重建任务中，MPJPE降低了1.4%）。

• 聚类标记合并：通过聚类算法合并标记，减少了标记数量，同时保留了关键信息，提升了计算效率（在WFLW数据集上，NME降低了0.32%）。

• 任务适应性：TCFormer能够根据任务需求调整标记分布，例如在人脸对齐任务中，为面部边缘区域分配更细的标记，提升了任务性能（在WFLW数据集上，NME达到了4.28%）。

 更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】