Transformer是一類基于自注意力機制的深度神經(jīng)網(wǎng)絡(luò)，最初用于處理自然語言理解任務(wù)。相較于卷積網(wǎng)絡(luò)和循環(huán)網(wǎng)絡(luò)等傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)，Transformer的表示學(xué)習(xí)能力更加強大，并已經(jīng)被應(yīng)用到視覺任務(wù)中。當前，基于Transformer的視覺表征學(xué)習(xí)網(wǎng)絡(luò)已經(jīng)在圖像分類、視頻理解等低高級視覺任務(wù)中已經(jīng)取得了優(yōu)異表現(xiàn)。本文將對視覺Transformer基本原理和用于執(zhí)行目標檢測任務(wù)的Transformer結(jié)構(gòu)進行簡要介紹，可供研究者參考。

圖1丨Transformer發(fā)展歷程

●?視覺Transformer基本結(jié)構(gòu)

圖2丨視覺Transformer結(jié)構(gòu)

視覺Transformer的一般結(jié)構(gòu)如圖2所示，包括編碼器和解碼器兩部分，其中編碼器每一層包括一個多頭自注意力模塊（self-attention）和一個位置前饋神經(jīng)網(wǎng)絡(luò)(FFN)，而解碼器每一層包括三部分：多頭自注意力模塊、編碼解碼自注意力模塊和位置前饋神經(jīng)網(wǎng)絡(luò)。 ?

●?Transformer在目標檢測任務(wù)中的應(yīng)用?

Transformer已經(jīng)被廣泛用于處理目標檢測問題，按照網(wǎng)絡(luò)結(jié)構(gòu)可以分為基于多尺度融合（neck-based）、基于頭（head-based）和基于框架（framework-based）三大類。 1）?基于多尺度融合

圖3丨FPT網(wǎng)絡(luò)結(jié)構(gòu)

受特征金字塔網(wǎng)絡(luò)等基于卷積網(wǎng)絡(luò)的多尺度特征融合網(wǎng)絡(luò)在目標檢測任務(wù)中取得的良好性能啟發(fā)，研究者提出了特征金字塔Transformer（FPT）來充分利用跨空間和尺度的特征相互作用，解決卷積網(wǎng)絡(luò)無法學(xué)習(xí)交互跨尺度特征的問題。FPT網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，由三種不同類型的Transformer構(gòu)成，稱之為Self-Transformer，Grounding-Transformer和Rendering-Transformer，分別用于對特征金字塔的Self-level、top-down和bottom-up路徑的信息進行編碼，利用Transformer中的自注意力模塊來增強特征金字塔的特征融合。 2）?基于頭

圖4丨橋接視覺表示

對于物體檢測算法而言，預(yù)測頭的設(shè)計至關(guān)重要。傳統(tǒng)檢測方法一般利用邊界框、角點等單個視覺表示來預(yù)測最終結(jié)果。研究者將Transformer結(jié)構(gòu)引入物體檢測問題中，提出了橋接視覺表示（Bridging Visual Representations，BVR），通過多頭關(guān)注模塊將不同的異構(gòu)表示組合成一個單一的表示。具體來說，將主表示作為query輸入，將輔助表示作為key輸入。通過類似于Transformer中的注意模塊，可以獲得用于主表示的增強功能，該功能將來自輔助表示的信息橋接起來并有利于最終檢測性能。 3）?基于框架

圖5丨DETR網(wǎng)絡(luò)結(jié)構(gòu)

區(qū)別于前兩類方法使用Transformer結(jié)構(gòu)增強傳統(tǒng)檢測算法中特定模塊的性能，DETR網(wǎng)絡(luò)將目標檢測任務(wù)視為集合預(yù)測問題，采用端到端的Transformer結(jié)構(gòu)構(gòu)建目標檢測器，如圖5所示。DETR從CNN主干開始以從輸入圖像中提取特征。為了用位置信息補充圖像特征，將固定的位置編碼添加到平坦的十個特征中，然后再輸入編碼解碼器轉(zhuǎn)換器。與原始Transformer順序生成預(yù)測的原始Transformer不同，DETR同時解碼多個對象。DETR作為針對目標檢測任務(wù)提出的全新Transformer結(jié)構(gòu)設(shè)計，為后續(xù)研究提供了重要啟發(fā)，但存在訓(xùn)練時間長、難以準確檢測小目標等問題。

圖6丨Deformable DETR網(wǎng)絡(luò)

針對DETR存在的問題，Deformable DETR使用圖6所示的可變形注意模塊來關(guān)注參考點周圍的一小組關(guān)鍵位置，顯著降低了原多頭注意力的計算復(fù)雜度，也有利于快速收斂?？勺冃巫⒁饽K可輕松完成多尺度特征融合操作，使得Deformable DETR相較于原始DETR訓(xùn)練成本降低10倍，推理速度提升1.6倍。

圖7丨可變形注意模塊

● 總結(jié)

與卷積網(wǎng)絡(luò)相比，Transformer在抽取時空表征關(guān)系上具有巨大優(yōu)勢，已經(jīng)成為計算機視覺研究領(lǐng)域的熱門話題，并已經(jīng)在多種視覺任務(wù)中取得優(yōu)良表現(xiàn)。但是，當前視覺Transformer研究仍主要關(guān)注單一任務(wù)，而在自然語言處理領(lǐng)域Transformer已經(jīng)表現(xiàn)出在統(tǒng)一模型里執(zhí)行多個任務(wù)的能力，多任務(wù)視覺Transformer模型有待進一步研究。此外，當前模型普遍復(fù)雜，模型訓(xùn)練和存儲成本較高，開發(fā)適合部署在資源受限設(shè)備上的視覺Transformer模型將是未來研究重點之一。

審核編輯：黃飛

?