ICCV 2023 | 傅里葉算子高效Token Mixer：輕量級視覺網(wǎng)絡新主干

來自微軟亞洲研究院的研究人員發(fā)現(xiàn)對 Token 進行傅里葉變換數(shù)學上等價于用超大尺寸自適應卷積核進行 Token 融合，而前者的計算代價遠低于后者?；谠摵诵陌l(fā)現(xiàn)，研究員設計了一種名為 Adaptive Fourier Filter（AFF）的輕量高效 Token Mixer，將 Token 融合的計算復雜度從 O (N^2) 降低到 O (N log N)，并以此為基礎算子構(gòu)建了輕量級視覺神經(jīng)網(wǎng)絡主干 AFFNet。該主干網(wǎng)絡能夠以 5.5M 的模型參數(shù)量，在 ImageNet-1K 上實現(xiàn) 79.8% 的準確率。

1. 背景

近年來，基于 Transformer、Large-kernel CNN 和 MLP 三種視覺主干網(wǎng)絡在廣泛的 CV 任務中取得了顯著的成功，這要歸功于它們在全局范圍內(nèi)的高效信息融合能力。

現(xiàn)有的三大主流神經(jīng)網(wǎng)絡，即 Transformer、CNN 和 MLP，分別通過各自的方式實現(xiàn)全局范圍的 Token 融合。其中，Transformer 網(wǎng)絡中的自注意力機制將 Query-Key pairs 的相關性作為 Token 融合的權重。CNN 通過擴大 kernel 尺寸實現(xiàn)與 transformer 相近的性能。MLP 通過在所有令牌之間的全連接實現(xiàn)另一種強大的范式。所有這些方法都是有效的，但計算復雜度高 (O (N^2))，難以在存儲和計算能力有限的設備上部署，限制了很多模型的應用范圍。

2. AFF Token Mixer: 輕量、全局、自適應

為了解決計算昂貴的問題，研究人員構(gòu)建了一種名為 Adaptive Fourier Filter（AFF）的高效全局 Token 融合算子。它通過傅里葉變換將 Token 集合變換到頻域，同時在頻域?qū)W習到一個內(nèi)容自適應的濾波掩膜，對變換到頻域空間中的 Token 集合進行自適應濾波操作。

論文《Adaptive Frequency Filters As Efficient Global Token Mixers》：

鏈接：https://arxiv.org/abs/2307.14008

根據(jù)頻域卷積定理，原始域中的卷積操作在數(shù)學上等價于對應的傅里葉域中的 Hadamard 乘積操作。這使得該工作所提出的 AFF Token Mixer 在數(shù)學上等價于使用一個空間分辨率和 Token 集合一樣大小的動態(tài)卷積核在原始域中進行 Token 融合 (如下圖右子圖所示), 具有在全局范圍內(nèi)進行內(nèi)容自適應 Token 融合的作用。

眾所周知，動態(tài)卷積的計算開銷大，大空間分辨率的動態(tài)卷積核的使用開銷對于高效 / 輕量級網(wǎng)絡設計似乎就更加不可接受。但是本文所提出的 AFF Token Mixer 卻可以作為同時滿足以上優(yōu)點的低功耗等效實現(xiàn)，將復雜性從 O (N^2) 降低到 O (N log N)，顯著提高了計算效率。

圖 1：AFF 模塊和 AFFNet 網(wǎng)絡示意圖。

3. AFFNet：輕量級視覺網(wǎng)絡新主干

研究人員將 AFF Token Mixer 作為主要神經(jīng)網(wǎng)絡操作算子，構(gòu)建了一個輕量級神經(jīng)網(wǎng)絡，稱為 AFFNet。大量實驗表明，AFF Token Mixer 在廣泛的視覺任務中實現(xiàn)了優(yōu)越的準確性和效率權衡，包括視覺語義識別和密集預測任務。

4. 實驗結(jié)果

研究人員在視覺語義識別、分割、檢測等多個視覺任務上對所提出的 AFF Token Mixer 和 AFFNet 進行評測，并將其和目前研究領域中最先進的輕量級視覺主干網(wǎng)絡進行對比。實驗結(jié)果表明，該工作提出的模型設計在廣泛的視覺任務上均表現(xiàn)出色，驗證了所提出的 AFF Token Mixer 作為新一代輕量高效的 Token 融合算子的潛力。

圖 2：ImageNet-1K 數(shù)據(jù)集上的 Acc-Param, Acc-FLOPs 曲線，與 SOTA 的對比。

表 1：ImageNet-1K 數(shù)據(jù)集上和 SOTA 的對比

表 2：下游任務（視覺檢測和分割）和SOTA的對比。

5. 結(jié)論

此項研究成果從數(shù)學上證明了隱空間中的頻域變換能起到全局自適應 Token 融合的作用，是神經(jīng)網(wǎng)絡中實現(xiàn)全局自適應 Token 融合的一種高效能低功耗的等效實現(xiàn)。為神經(jīng)網(wǎng)絡中 Token 融合算子的設計打開了新的研究思路，也為神經(jīng)網(wǎng)絡模型在存儲和計算能力有限的邊緣設備上的部署帶來了新的發(fā)展空間。