MLP 又又又升级了！港大&商汤开源首个用于检测与分割任务的MLP架构

2024-05-03 21:30:37

作者丨happy

编辑丨极市平台

极市导读

本文针对MLP-Mixer等已有方案存在的分辨率相关、不便于向下游任务迁移的问题，提出了一种新颖的CycleFC操作，并由此构建了CycleMLP架构。本文非常漂亮的一个操作：通过对ChannelFC的采样点引入更高感受野升级为CycleFC，提升感受野的同时保持计算量不变。 >>加入极市CV技术交流群，走在计算机视觉的最前沿

paper: https://arxiv.org/abs/2107.10224

Code: https://github.com/ShoufaChen/CycleMLP

本文是香港大学&商汤科技在MLP架构方面的探索，针对MLP-Mixer等已有方案存在的分辨率相关、不便于向下游任务迁移的问题，提出了一种新颖的CycleFC操作，并由此构建了CycleMLP架构。所提CycleMLP在ImageNet分类、COCO检测以及ADE20K语义分割等任务上均取得了优于其他MLP架构的性能，同时具有与Swin相当甚至更佳的性能。本文非常漂亮的一个操作：通过对ChannelFC的采样点引入更高感受野升级为CycleFC，提升感受野的同时保持计算量不变。

Abstract

本文提出一种简单的MLP架构CycleMLP用于视觉识别与稠密预测。现有MLP架构(比如MLP-Mixer、ResMLP、gMLP)由于与图像尺寸相关，导致它们难以向下游任务迁移。相比已有方法，CycleMLP具有以下两个优势：

可以处理可变图像尺寸；
通过采用局部窗口，其计算复杂度与图像尺寸成线性关系。

我们构建一类MLP架构CycleMLP超越了现有MLP方案并在ImageNet上取得了83.2%的top1精度，具有与Swin相当的性能但参数量与FLOPs更低。我们对CycleMLP进行扩展并使其作为下游任务的骨干网络，CycleMLP可以为目标检测、实例分割以及语义分割等领域提供极具竞争力的基线模型。比如，CycleMLP在ADE20K数据集上取得了45.1mIoU指标，与Swin的45.2mIoU相当。精度-FLOPs性能曲线对比可参见下图。

本文主要贡献包含以下几点：

提出了一种新的MLP模块：CycleFC，它是一个广义的即插即用操作，可用于替换MLP-Mixer中的token mixing MLP操作；此外，CycleFC计算复杂度与图像分辨率成线性关系；
基于所提CycleFC，我们构建了用于提取分层特征的MLP架构：CycleMLP，首个用于检测与分割任务的MLP架构；
在ImageNet、COCO以及ADE20K等数据集上的充分的验证，所提CycleMLP取得了优于其他MLP的性能，同时在下游任务上取得了与CNN、Transformer相当的性能。

Method

上图给出了所提CycleMLP的宏观架构信息，其设计原则受Swin与PVT启发而得到。通过这种方式，我们构建了一个分层架构，而这对于稠密预测任务非常重要。

给定尺寸为输入图像，首先采用patch embedding模块将其拆分为块，每个块视作“token”(即词)。具体来说，我们参考PVTv2采用了重叠块嵌入模块，窗口尺寸为7，步长为4。原始图像块进一步投影到更高维，因此块投影模块的输出为。

然后，我们顺序将前述特征送入到多个CycleFC模块中进行处理，CycleFC模块参考ResNet的stage进行配置。注：每个阶段内部词数量保持不变，每个阶段包含一个transition进行分辨率降维、通道升维。总而言之，整个模型包含四个stage，最后stage的输出特征维度为。这些stage的设置已被广泛应用于CNN、Transformer模型，故所提CycleMLP是一种广义的模型候选。

Cycle FC Block

上图b给出了本文所提CycleFC模块示意图，相比已有MLP-Mixer（见上图a）,主要区别在于：所提Cycle Fully-Connected Layer(CycleFC)用于进行空域投影并促进模型进行上下文聚合与信息通道。具体来说，CycleFC模块包含三个并行CycleFC操作后接一个channel-MLP。公式描述如下：

上述模块设计与ViT类似，区别仅在与我们采用CycleFC替换了多头自注意力模块。因此，所提CycleFC模块可以作为现有Transformer或者MLP架构的即插即用候选模块。

Cycle Fully-Connected Layer

接下来，我们对CycleFC的细节进行介绍分析。其背后的动机在于：使MLP类模型能处理可变图像尺寸。如上图a所示，Channel-FC仅与输入输出维度有关，而与图像尺寸无关。因此，Channel-FC是一种尺度无关操作，可以处理可变输入尺寸。此外，Channel-FC的计算复杂度与图像输入尺寸成线性关系。然而，Channel-FC的局限性在于：感受野有限，无法聚合充分的上下文信息。下图表中数据也表明：由于缺乏上下文信息，channel-FC具有比较差的性能。

为提升感受野同时保持计算复杂度，我们提出了一种新颖的操作CycleFC，见上图c。类似ChannelFC，CycleFC沿通道维进行全连接；与ChannelFC不同之处在于：空域采样点采用了stair风格。受益于这种简单而有效的设计，CycleFC具有与ChannelFC严格相等的复杂度；但CycleFC的感受野则得到了放大：从点扩展为pseudo-kernel。

Pseudo-kernel 在这里，我们将引入pseudo-kernel(伪核)概念，见上图。我们将CycleFC的采样点(即橙色块)投影到空域平面并定位投影区域为伪核尺寸。假设输入特征为，常规ChannelFC的输出表示如下：

注：分别表示空域与通道索引。而CycleFC的核心在于：**我们将X沿通道维的采样点从固定点i调整为伪核窗口，其感受野为。**因此，CycleFC的操作定义如下：

其中，为伪核尺寸。

Discussion CycleFC可以接收近邻上下文信息同时保持与ChannelFC相同复杂度(包含参数量与FLOPs)。因此，CycleFC是一种可促进空域上下文聚合的广义、即插即用的操作。注：当伪核尺寸为时，CycleFC则退化为ChannelFC。

Architecture Variants

类似其他Transformer、MLP模型，我们定义了不同计算量的模型，从2.1G到12.3GFLOPs。我们定义三路并行CycleFC的伪核尺寸分别为。通过调整一下超参得到了CycleMLP-B1到CycleMLP-B5等模型：

: 阶段i中transition层的stride；
：阶段i的通道维度；
：阶段i的模块数；
：阶段i的扩展比例。

关于不同模型更详细的超参信息请查看前面的Table1.

Experiments

ImageNet Classification

上表对比所提CycleMLP与其他MLP架构在ImageNet数据集上的性能对比，从中可以看到：

所提CycleMLP的精度-FLOPs均衡显著优于其他MLP架构；
相比gMLP，CycleMLP-B2取得了与gMLP-B相同的精度，但计算量减低3x；
相比ViP，CycleMLP-B5仅需ViP-Large/7一半FLOPs即可取得相同精度。

上表对比了所提CycleMLP与CNN、Transformer以及MLP等SOTA模型的性能对比，从中可以看到：

CycleMLP取得了与Swin相当的性能，比如CycleMLP-B5取得了与Swin-B相当精度同时具有较少参数量与FLOPs；
同期的GFNet(它采用快速傅里叶变换进行空域信息交互)取得了与CycleMLP相当的性能，然而GFNet的架构与输入分辨率相关，不便于下游任务迁移。

Object Detection and Instance Segmentation

上表对比了所提方案在COCO数据上的性能，从中可以看到：

以RetinaNet作为框架，所提CycleMLP取得了优于ResNet、ResNeXt以及PVT的高性能，这说明：CycleMLP是一种非常优秀的骨干架构；比如RetinaNet+CycleMLP-B4取得了比PVT-Large高0.6AP的性能，同时具有更少的参数量。
以Mask R-CNN作为框架，CycleMLP取得了类似的性能。

Semantic Segmentation

上表对比了CycleMLP在ADE20K语义分割任务上的性能对比，从中可以看到：

在相似参数量下，CycleMLP取得比了ResNet、PVT更佳的性能；
相比Swin，CycleMLP可以取得相当甚至更好的性能。CycleMLP-B2取得了比Swin-T高0.9mIoU的指标，同时具有更少参数量。

本文亮点总结