[人工智能]还在魔改Transformer结构吗？微软&中山大学开源超强的视觉位置编码，涨点显著

作者丨小马
编辑丨极市平台

写在前面

由于Transformer对于序列数据进行并行操作，所以序列的位置信息就被忽略了。因此，相对位置编码(Relative position encoding, RPE)是Transformer获取输入序列位置信息的重要方法，RPE在自然语言处理任务中已被广泛使用。

但是，在计算机视觉任务中，相对位置编码的有效性还没有得到很好的研究，甚至还存在争议。因此，作者在本文中先回顾了现有的相对位置编码方法，并分析了它们在视觉Transformer中应用的优缺点。接着，作者提出了新的用于二维图像的相对位置编码方法（iRPE）。iRPE考虑了方向，相对距离，Query的相互作用，以及Self-Attention机制中相对位置embedding。作为一个即插即用的模块，本文提出的iREP是简单并且轻量级的。

实验表明，通过使用iRPE，DeiT和DETR在ImageNet和COCO上，与原始版本相比，分别获得了1.5%（top-1 Acc）和1.3%（mAP）的性能提升（无需任何调参）。

论文和代码地址

论文地址：

https://arxiv.org/abs/2107.14222

代码地址：

https://github.com/microsoft/AutoML/tree/main/iRPE

研究动机

Transformer最近在计算机视觉领域引起了极大的关注，因为它具有强大的性能和捕获Long-range关系的能力。然而，Transformer中的Self-Attention有一个固有的缺陷——它不能捕获输入token的顺序。因此，Transformer在计算的时候就需要显式的引入位置信息。

为Transformer编码位置表示的方法主要有两类。一个是绝对位置编码，另一个是相对位置编码。绝对位置编码 将输入token的绝对位置从1编码到最大序列长度。也就是说，每个位置都有一个单独的编码向量。然后将编码向量与输入token组合，使得模型能够知道每个token的位置信息。相对位置编码 对输入token之间的相对距离进行编码，从而来学习token的相对关系。

这两种编码方式在NLP任务中都被广泛应用，并且证明是非常有效的。但是在CV任务中，他们的有效性还没被很好的探索。因此，在本文中，作者重新思考并改进相对位置编码在视觉Transformer中的使用。

在本文中，作者首先回顾了现有的相对位置编码方法，然后提出了专门用于二维图像的方法iRPE。

方法

方法背景

绝对位置编码

由于Transformer不包含递归和卷积，为了使模型知道序列的顺序，需要注入一些关于token位置的信息。原始Self-Attention采用了绝对位置，并添加绝对位置编码$p=（p_1，...,p_n）$到输入token，用公式表示如下：

相对位置编码

除了每个输入token的绝对位置之外，一些研究人员还考虑了token之间的相对关系。相对位置编码使得Transformer能够学习token之间的相对位置关系，用公式表示如下：

3.2. 回顾相对位置编码

Shaw’s RPE

[1]提出一种Self-Attention的相对位置编码方法。输入token被建模为一个有向全连通图。每条边都代表两个位置之间的相对位置信息。此外，作者认为精确的相对位置信息在一定距离之外是无用的，因此引入了clip函数来减少参数量，公式表示如下：

RPE in Transformer-XL

[2]为query引入额外的bias项，并使用正弦公式进行相对位置编码，用公式表示如下：

Huang’s RPE

[3]提出了一种同时考虑query、key和相对位置交互的方法，用公式表示如下：

RPE in SASA

上面的相对位置编码都是针对一维的序列，[4]提出了一种对二维特征进行相对位置编码的方法，用公式表示如下：

相对位置编码的确定

接下来，作者引入了多种相对位置编码方式，并进行了详细的分析。首先，为了研究编码是否可以独立于输入token，作者引入了两种相对位置模式：Bias模式和Contextual模式 。然后，为了研究方向性的重要性，作者设计了两种无向方法和两种有向方法 。

Bias Mode and Contextual Mode

以前的相对位置编码方法都依赖于输入token，因此，作者就思考了，相对位置的编码信息能否独立于输入token来学习。基于此，作者引入相对位置编码的Bias模式和Contextual模式来研究这个问题。前者独立于输入token，而后者考虑了与query、key或value的交互。无论是哪种模式，相对位置编码都可以用下面的公式表示：

对于Bias模式，编码独立于输入token，可以表示成：

对于Contextual 模式，编码考虑了与输入token之间的交互，可以表示成：

A Piecewise Index Function

由于实际距离到计算距离的关系是多对一的关系，所以首先需要定义一个实际距离到计算距离的映射函数。

先前有工作提出了采用clip函数来进行映射，如下所示：

在这种方法中，相对距离大于$\beta$的位置分配给相同的编码，因此丢失了远距离相对位置的上下文信息。

在本文中，作者采用了一种分段函数将相对距离映射到相应的编码。这个函数基于一个假设：越近邻的信息越重要，并通过相对距离来分配注意力。函数如下：

如下图所示，相比于先前的方法，本文提出的方法感知距离更长，并且对不同的距离分布施加了不同程度的注意力。

2D Relative Position Calculation

为了衡量二维图像上两个点的相对距离，作者提出了两种无向方法 （Euclidean method，Quantization method）和两种有向方法 （Cross method，Product method），如上图所示。

• Euclidean method

在Euclidean method中，作者采用了欧氏距离来衡量两个点之间的距离，如上图a所示：

• Quantization method

在上述的Euclidean method中，具有不同相对距离的两个距离可能映射到同一距离下标（比如二维相对位置（1,0）和（1,1）都映射到距离下标1中）。因此，作者提出Quantization method，如上图b所示，公式如下所示：

$quant（?）$函数可以映射一组实数$0，1，1.41，2，2.24，\dots$到一组整数$0，1，2，3，4，\dots$。

• Cross method

像素的位置方向对图像理解也很重要，因此作者又提出了有向映射方法。Cross method分别计算水平方向和垂直方向上的编码，然后对它们进行汇总。编码信息如上图c所示，公式如下：

• Product method

如果一个方向上的距离相同（水平或垂直），Cross method将会把不同的相对位置编码到相同的embedding中。因此，作者又提出了Product method，如上图d所示，公式如下所示：

有效实现

对于Contextual模式的相对位置编码，编码信息可以通过下面的方式得到：

但是这么做的计算复杂度是$O(n^{2}d)$，所以作者在实现的时候就只计算了不同映射位置的位置编码，如下所示：

这样做就可以将计算复杂度降低到$O(nkd)$，对于图像分割这种任务，k是远小于n的，就可以大大降低计算量。

4.实验

相关位置编码分析

• Directed-Bias v.s. Undirected-Contextual

上表的结果表明了：

1）无论使用哪种方法，Contextual模式都比Bias模式具有更好的性能。

2）在视觉Transformer中，有向方法通常比无向方法表现更好。

• Shared v.s. Unshared

对于bias模式，在head上共享编码时，准确度会显著下降。相比之下，在contextual模式中，两种方案之间的性能差距可以忽略不计。

• Piecewise v.s. Clip.

上表比较了clip函数和分段函数的影响，在图像分类任务中，这两个函数之间的性能差距非常小，甚至可以忽略不计。但是从下表中可以看出，在检测任务中，两个函数性能还是有明显差距的。

• Number of buckets

bucket数量影响了模型的参数，上图展示了不同bucket数量下，模型准确率的变化。

• Component-wise analysis

从上表可以看出，相对位置编码和绝对位置编码对DeiT模型的精度都有很大帮助。

• Complexity Analysis

上图表明，本文方法在高效实现的情况下最多需要1%的额外计算成本。

在图像分类任务上的表现

通过仅在key上添加相对位置编码，将DeiT-Ti/DeiT-S/DeiT-B模型分别提升了1.5%/1.0%/0.6%的性能。

在目标检测任务上的表现

在DETR中绝对位置嵌入优于相对位置嵌入，这与分类中的结果相反。作者推测DETR需要绝对位置编码的先验知识来定位目标。

可视化

上图展示了Contextual模式下相对位置编码（RPE）的可视化。

5. 总结

本文作者回顾了现有的相对位置编码方法，并提出了四种专门用于视觉Transformer的方法。作者通过实验证明了通过加入相对位置编码，与baseline模型相比，在检测和分类任务上都有比较大的性能提升。此外，作者通过对不同位置编码方式的比较和分析，得出了下面几个结论：

1）相对位置编码可以在不同的head之间参数共享，能够在contextual模式下实现与非共享相当的性能。

2）在图像分类任务中，相对位置编码可以代替绝对位置编码。然而，绝对位置编码对于目标检测任务是必须的，它需要用绝对位置编码来预测目标的位置。

3）相对位置编码应考虑位置方向性，这对于二维图像是非常重要的。

4）相对位置编码迫使浅层的layer更加关注局部的patch。

参考文献

[1]. Peter Shaw, Jakob Uszkoreit, and Ashish Vaswani. Self-attention with relative position representations. ACL, 2018.


[2]. Zihang Dai, Zhilin Yang, Yiming Yang, Jaime G Carbonell,Quoc Le, and Ruslan Salakhutdinov. Transformer-xl: Attentive language models beyond a fixed-length context. In ACL,2019.


[3]. Zhiheng Huang, Davis Liang, Peng Xu, and Bing Xiang. Improve transformer models with better relative position embeddings. In EMNLP, 2020


[4]. Prajit Ramachandran, Niki Parmar, Ashish Vaswani, Irwan Bello, Anselm Levskaya, and Jonathon Shlens. Standalone self-attention in vision models. arXiv preprint arXiv:1906.05909, 2019.