当前位置：首页 > news >正文

Vision Transformer论文阅读笔记

news 2025/12/16 7:07:49

- An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale -- Vision Transformer
- - 摘要
  - Introduction—简介
  - RELATED WORK—相关工作
  - METHOD—方法
  - - VISION TRANSFORMER (VIT)—视觉Transformer(ViT)
  - 分析与评估
  - - PRE-TRAINING DATA REQUIREMENTS—预训练数据要求
    - INSPECTING VISION TRANSFORMER—检查vision transformer
  - 总结与展望
  - VIT详细网络结构

An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale – Vision Transformer

论文链接：An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

摘要

（1）本文证明了图像对CNN的依赖不是必要的，将纯Transformer直接用于图像patch序列可以很好地执行图像分类任务。

（2）和最先进的CNN相比，vision transformer(ViT)可以获得出色的结果，同时训练所需的计算资源也相对较少（仍然需要很多资源，只是相对更耗资源的网络而言的）。

Introduction—简介

问题：如何将transformer应用到视觉问题上？

Bert序列长度也就500左右，如果要将图片的每个像素展开变成一个序列，就算224 × 224 = 50176 （≈ 500 × 100）图片输入计算量也十分大。

解决方向：

1、把原图的局部当作一个输入（类似卷积也是局部操作）

2、把处理过的特征图作为输入（下采样降低分辨率）

本文方法

（1）将图像拆分为patches（比如输入为224 × 224，每个patch就是 16 × 16，224 / 16 = 14，输入序列长度就是 14 × 14 = 196 ），并提供这些patches的线性embeddings序列作为 Transformer 的输入。（图像patches和在NLP应用中的token相似）

（2）采用了有监督的方式对图像分类模型进行训练。

不足：在不充足数据下训练，会导致模型泛化性不足。

注意：在中型大小数据集上，如果不加以其他比较强的约束Vit跟同等大小的残差网络相比是比较弱的。

原因：因为卷积神经网络中有归纳偏置，在VIT中没有。归纳偏置其实就是一种先验知识，或者说一种提前做好的假设。

最常见的两个归纳偏置（inductive bias）：

locality：图片中相邻区域通常会有相邻的特征（比如桌子和椅子一般都挨在一起），靠的越近的东西相关性就越强。

translation equivariance（平移等变性）：公式表达为g(f(x)) = f(g(x))，把g理解为卷积，f理解为平移，就是不管先做哪个操作，结果都是一样的，在卷积神经网络里面只要输入的图片不变，经过同一个卷积核的结果是一定的。

通过这两个归纳偏置，卷积神经网络就有了很多先验信息，可以通过相对少的数据，去学习到一个比较好的模型。

Vit没有这些先验知识，因此往往基于之前的大规模预训练来训练可以获得较好的结果。

Translation Equivariance (平移等变性)和Translation Invariance(平移不变性)

Translation Equivariance (平移等变性):

定义: 一个系统或算法在输入数据经历平移（或移动）时，保持输出相对于输入的相对位置的性质。
示例: 在图像处理中，一个具有平移等变性的算法可以在图像中检测或处理特征，而不受这些特征在图像中的位置变化的影响。它会产生相应的移动，但不会改变特征的识别或提取结果。

Translation Invariance (平移不变性):

定义: 一个系统或算法在输入数据经历平移时，保持输出不变的性质。
示例: 在图像处理中，一个具有平移不变性的算法可以在图像中检测或识别特征，而不受这些特征在图像中的位置变化的影响。无论特征的位置如何变化，该算法都会产生相同的识别结果。

简而言之，平移等变性表示系统对于输入数据的平移保持输出相对位置的相对性，而平移不变性表示系统对于输入数据的平移保持输出完全不变。

RELATED WORK—相关工作

（1）Transformer：用于机器翻译的方法，被广泛用于NLP领域

（2）BERT：使用去噪自我监督的训练前任务

（3）局部多头点积自我注意块：只在每个查询像素的局部社区中应用自注意力，可以完全取代卷积

（4）稀疏Transformer：采用了对全局自关注的可扩展近似，以便适用于图像

（5）在不同大小的块中应用：在极端情况下，只沿着个别轴线应用

（6）iGPT：无监督的方式，在降低图像分辨率和色彩空间后将Transformers应用于图像像素

无监督对比：BERT类似完型填空，GPT是预测后续的单词

METHOD—方法

VISION TRANSFORMER (VIT)—视觉Transformer(ViT)

（1）第1部分：将图形转化为序列化数据

首先输入为一张图片，将图片划分成9个patch，然后将每个patch重组成一个向量，得到所谓的flattened patch（上图红框内）。
如果图片是H×W×C维的，就用P×P大小的patch去分割图片可以得到N个patch（实际处理通过卷积操作实现，然后卷积核的尺寸个数根据[num_token，token_dim]设置），那么每个patch的大小就是P×P×C，将N个patch 重组后的向量concat在一起就得到了一个N×P×P×C的二维矩阵，相当于NLP中输入Transformer的词向量。
patch大小变化时，重组后的向量维度也会变化，作者对上述过程得到的flattened patches向量做了Linear Projection（线性投射层操作，其实就是一个全连接层），将不同长度的flattened patch向量转化为固定长度的向量（记作D维向量）。

综上，原本H×W×C 维的图片被转化为了N个D维的向量（或者一个N×D维的二维矩阵）。

（2）第2部分：Position embedding

图像是一个整体，因此patch之间是有位置信息的，打乱顺序后就不是原来的图片了。

但是在自注意力中两两计算不会涉及位置信息（即便打乱了结果也一样），因此需要加入位置信息。

由于Transformer模型本身是没有位置信息的，和NLP中一样，我们需要用position embedding将位置信息加到模型中去。

如上图所示，编号有0-9的紫色框表示各个位置的position embedding，而紫色框旁边的粉色框则是经过linear projection之后的flattened patch向量。

position embedding也是一个可训练的参数，它其实可以看作一个N（patch） × dimension （patch的维度也就是token_dim）的矩阵，然后是可以学习得到的。

原文采用相加（add）的方式将position embedding（即图中紫色框）和patch embedding（即图中粉色框）结合position信息，最终的宽、高、深度都不会改变。

对于position采用1D、2D还是相对位置编码表示，作者进行了消融实验（如下表），相比没有位置信息的效果要好3个百分点，至于用哪种方式表示位置信息，差别不大，只要用了就行。

举例：一张图片划分成九宫格

1D：1，2，3，4，…，8，9

2D：相当于xy轴，11，12，13，21，22，23，31，32，33

relative：比如1D中2和9相差7个单位距离，用7（offset）来表示

（3）第3部分：Learnable embedding

patch + position embedding = token，tokens包含position信息以及图像信息。

在一系列 token 的前面加上加上一个新的 token，叫做class token（上图带星号），它并不是某个patch产生的，增加class token是参考bert网络，它的位置信息永远是0，它的维度（dimension）需要和patch的维度一致。

Class token的作用是作为一个分类字符（也是一个可训练的参数），经过encoder后对应的结果这个token的输出当作整个transformer模型的输出，也就是当作整个图像的特征输出。（个人理解：这个token是附加的，对于全图中其他任何patch的关注都是公平的关注，因此相当于是个全局平均池化的过程，但是如果采用某个patch的token作为输出，受到自身位置信息和相对位置信息的影响，关注度肯定是不平均的，因此不能作为输出）

类比传统卷积神经网络，经过几个block之后得到一个feature map，在分类之前会先对这个feature map执行GAP（全局平均池化）得到一个向量（1 × n），然后这个向量代表全局对于这个图片的特征，就可以把向量拿去做分类。

在transformer（如下示意图）中，VIT是使用红色框内的输出（cls token的输出）作为分类的输入；

但其实也可以把每个patch对应token（绿色框内）的输出进行GAP，然后作为分类的输入。

本文也对两种方法进行了对比，可以从下图看出，学习率设置好，采用GAP的方式比采用cls token的方式准确率更高。

以上的操作其实就是对图像进行预处理得到token，对于位置信息的表示和输出分类的特征表示，为了和原来的transformer保持一致所以采取了1D和class token。

（4）第4部分：Transformer encoder

最后输入到 Transformer Encoder 中，对应着右边的图，将 block 重复堆叠 L 次，整个模型也就包括 L 个 Transformer。Transformer Encoder结构和NLP中Transformer结构基本上相同，我们只是需要对它进行一个分类，只提取针对class token所对应的输出，经过 MLP Head 进行类别判断，得到最终分类的结果。

下图是Encoder Block和 MLP Block的内部结构图

分析与评估

PRE-TRAINING DATA REQUIREMENTS—预训练数据要求

图3展示了模型在 ImageNet 数据集上的性能，图4展示了在 JFT300M 数据集的随机子集以及完整数据集上进行了模型训练的结果。

结论：卷积归纳偏置对于规模较小的数据集较为有用，但对于较大的数据集而言，学习相关模式就足够了，甚至更加有效。同时VIT在小样本的训练可能是一个不错的研究方向。

INSPECTING VISION TRANSFORMER—检查vision transformer

上图为ViT-L/32 的position embedding的相似性。

位置编码：相似性（余弦相似度），所以相似性越高接近1，越低越接近-1。

跟自己相似性最高，同行同列相似性也比较高，虽然是1D编码但是学习到了2D图像的概念（所以使用1D和2D表示位置准确率相差不大）。

上图按heads和网络深度划分的参与区域大小。

红框部分表示像素点相近的自注意力学习到的信息，黄色框部分表示像素点距离远的自注意力学习到的信息。

横坐标为网络层数，可以看出在浅层网络就能学习到全局（距离远）的信息了，但是在传统卷积网络中，浅层感受野小只能学习到局部信息。

在深层网络基本上就是高层语义信息（像素点之间距离远）。

下图中右边Attention列出来的图，就代表了高层的语义信息。

结论：

（1）模型使用了全局集成信息的能力。其他注意力head在低层中始终具有较小的注意力距离。

（2）该模型关注与分类语义相关的图像区域。

总结与展望

将图片处理成 patch 序列，然后使用 Transformer 去处理，取得了接近或超过卷积神经网络的结果，同时训练起来也更快。

在提取patch和进行位置编码时使用了一些图像特有的归纳偏置，其他和transformer一致。 ( 简单、扩展性好)

将ViT应用于其他计算机视觉任务，如检测和分割。

自监督也行，但是目前还没有监督效果好，继续探索自我监督的预训练方法。

可以进一步扩大ViT的规模，随着模型尺寸的增加，参数越多，性能似乎还没有饱和。（后续原作者的论文证实了这一点）

通过只用transformer实现多模态大一统。

目录