论文解析[11] CAT: Cross Attention in Vision Transformer

发表时间：2021
论文地址：https://arxiv.org/abs/2106.05786v1

摘要

使用图像patch来替换transformer中的word token所需要的计算量是巨大的。

在本论文中，我们在Transformer中提出了一种新的注意机制，称为交叉注意力。在图像patch内部而不是整张图像中捕获局部信息，在单通道特征图中的图像patch之间捕获全局信息。

两个操作都比Transformer中的标准自注意力有更少的计算量。通过在patch内和patch间交替应用注意力，我们实现了交叉注意力以更低的计算代价保持性能，构建了一个称为交叉注意力Transformer（CAT）的分层网络。

3 方法

3.1 总体结构

如图2（a），首先在patch嵌入层将输入图像缩小到 $H_1=H/P,W_1=W/P$，并将通道数提升到 $C_1$。接下来是一些在不同尺度进行特征提取的CAT层。

经过上面的预处理，进入第一个stage。patch数量是 $H_1/N\times W_1/N$，patch大小为 $N\times N\times C_1$。stage1输出的特征图作为 $F_1$。

此时进入第二个stage，patch投影层执行空间到更深的操作。在通过下一层的交叉注意力块之后，生成大小为 $H_1/2\times W_1/2\times C_2$ 的 $F_2$。经过四个stage之后，可以得到四个不同尺度和维度的特征图。类似于基于卷积的网络，不同粒度的特征图可以用于其他的下游视觉任务。

3.1.1 Inner-Patch Self-Attention Block

普通多头注意力的复杂度：

将CNN网络中的局部卷积方法引入Transformer，来对每个patch中的像素进行自注意力，叫作Inner-Patch Self-Attention(IPSA)。

IPSA的复杂度：

$N$ 是IPSA中的patch大小

3.1.2 Cross-Patch Self-Attention Block

提出了Cross-Patch Self-Attention Block，分开每个通道特征图，把每个通道划分为 $H/N\times W/N$ 个patch，在整张特征图中使用自注意力来获取全局信息。

CPSA的复杂度：

3.1.3 Cross Attention based Transformer

Cross Attention block包括两个IPSA块和一个CPSA块。CAT层由一些CAB组成，网络的每个stage由一些不同数量的层和一个patch嵌入层组成，如图2(a)所示。

CAB的流程：

结论

提出的Cross Attention更好的结合了CNN中局部特征和Transformer中全局信息的价值。它可以生成类似于CNN网络的不同尺度的特征，也可以适应不同的输入大小。CAT在一些数据集上取得了sota的表现。关键在于我们轮换使用特征图patch中的注意力和单通道特征图中的注意力来获取局部和全局信息。