『论文精读』FastViT(ICCV 2023，Apple开源)论文解读

这篇具有很好参考价值的文章主要介绍了『论文精读』FastViT(ICCV 2023，Apple开源)论文解读。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

论文下载链接：https://arxiv.org/pdf/2303.14189.pdf

论文代码链接：https://github.com/apple/ml-fastvit

关于VIT论文的解读可以关注我之前的文章：『论文精读』Vision Transformer(VIT)论文解读

关于Deit论文的解读可以关注我之前的文章：『论文精读』Data-efficient image Transformers(DeiT)论文解读

一. FastViT简介

最近transformer和卷积设计的融合导致了模型的准确性和效率的稳步提高。本文提出FastViT，一种混合视觉transformer架构，可获得最先进的延迟-精度权衡。本文提出一种新的token混合算子RepMixer，FastViT的一个构建模块，使用结构重参数化，通过删除网络中的跳跃连接(skip-connections)来降低内存访问成本。进一步应用训练时间过参数化和大核卷积来提高精度，并根据经验表明这些选择对延迟的影响最小。所提出模型比最近最先进的混合transformer架构CMT快3.5x，比EfficientNet快4.9×，比ConvNeXt在移动设备上快1.9×，以获得在ImageNer数据集上的相同精度。在相似的延迟下，该模型在ImageNet上的Top-1准确率比MobileOne高出4.2%。所提出模型在图像分类、检测、分割和3D网格回归等任务中始终优于竞争架构，在移动设备和桌面GPU上的延迟都有显著改善。此外，该模型对分布外样本和损坏具有高度的鲁棒性，优于竞争的鲁棒模型。

本文提出基于三个关键设计原则的FastViT：①使用RepMixer块来删除跳跃连接(skip-connections)；②使用线性训练时间过参数化来提高精度；③在早期阶段使用大型卷积核来替代自注意力层。

FastViT 性能对比： (a) 最新方法的准确性与移动延迟缩放曲线。这些模型在 iPhone 12 Pro 上进行了基准测试，如下 [57]。 (b) 最新方法的准确度与 GPU 延迟缩放曲线。为了获得更好的可读性，仅绘制 Top-1 精度优于 79% 的模型。有关更多情节，请参阅补充材料。在这两种计算结构中，我们的模型具有最佳的准确性与延迟权衡。 iPhone 12 Pro 设备和 NVIDIA RTX-2080Ti desktop GPU

最近最先进的移动架构和 FastViT 变体的准确性与移动延迟缩放曲线。这些模型使用表 16 中描述的适当图像尺寸在 iPhone 12 Pro 上进行基准测试。

『论文精读』FastViT(ICCV 2023，Apple开源)论文解读,论文精读,开源,FastVIT,Transformer,DEIT,VIT

二. 模型架构

FastViT 整体框架图2： (a) FastViT 架构概述，它将训练时间和推理时间架构解耦。第 1、2、3 阶段具有相同的架构，并使用 RepMixer 进行token混合。在第 4 阶段，自注意力层用于令牌混合。 (b) 卷积干的架构。 © 卷积 FFN 的架构 (d) RepMixer 块概述，该块在推理时重新参数化跳跃连接。

『论文精读』FastViT(ICCV 2023，Apple开源)论文解读,论文精读,开源,FastVIT,Transformer,DEIT,VIT 文章来源地址https://www.toymoban.com/news/detail-664615.html

2.1. Stage 的内部架构

FastViT 采用了4个 stage 的架构，每个 stage 相对于前一个的分辨率减半，通道数加倍。前3个 stage 的内部架构是一样的，都是训练的时候采用下式：
$\bf Y=\text{DWConv(BN}(X))+X \tag{1}$

推理的时候采用结构重参数化得到下式：
$\bf Y=\text{DWConv}(X) \tag{2}$

RepMixer 卷积混合首先在ConvMixer中引入。对于输入张量 $\bf X$ ，层中的混合块实现为：
$\bf Y=\text{BN}\left(\sigma\text{(DWConv}\left(\bf X\right)\right)+\bf X \tag{3}$

其中 $\sigma$ 是非线性激活函数，BN是批量归一化层，DWConv是深度卷积层。虽然该块被证明是有效的，但在RepMixer中，我们只是重新安排操作并删除非线性激活函数，如下所示：
$\bf Y=\text{DWConv(BN}(X))+X \tag{4}$

我们设计的主要好处是,它可以在推理时重新参数化到单个深度卷积层,如下所示,如图2d所示。
$\bf Y=\text{DWConv}(X) \tag{5}$

第4个 stage 的内部架构如图2 (a) 所示，采用 Attention 来作为 token mixer，可能是为了性能考虑，宁愿不采用结构重参数化，牺牲延时成本，以换取更好的性能。

值得注意的是，每个 Stage 中的 FFN 使用的并不是传统的 FFN 架构，而是如图2(c)所示的，带有大核 7×7 卷积的 ConvFFN 架构。