欢迎光临内蒙古在线!

今天是 2024年06月25日 星期二

关注社会热点

一起实现我们的中国梦

当前位置: 首页 > 科技

物理传热启发的视觉表征模型vHeat来了,尝试突破注意力机制,兼具低复杂度、全局感受野

AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年,机器之心AIxiv专栏接收报道了2000多篇内容,覆盖全球各大高校与企业的顶级实验室,有效促进了学术交流与传播。如果您有优秀的工作想要分享,欢迎投稿或者联系报道。投稿邮箱:liyazhou@jiqizhixin.com;zhaoyunfeng@jiqizhixin.com

本文作者为VMamba的原班人马,其中第一作者王兆植是中国科学院大学和鹏城实验室的2022级联合培养博士生,共同一作刘悦是中国科学院大学2021级直博生。他们的主要研究方向是视觉模型设计和自监督学习。

如何突破 Transformer 的 Attention 机制?中国科学院大学与鹏城国家实验室提出基于热传导的视觉表征模型 vHeat。将图片特征块视为热源,并通过预测热传导率、以物理学热传导原理提取图像特征。相比于基于Attention机制的视觉模型, vHeat 同时兼顾了:计算复杂度(1.5次方)、全局感受野、物理可解释性。

vHeat-base 模型在高分辨率图像输入时,throughput、GPU 显存占用、flops 分别是 Swin-base 模型的3倍、1/4、3/4,在图像分类、目标检测、语义/实例分割等基础下游任务上达到了先进的性能表现。

  • 论文地址: https://arxiv.org/pdf/2405.16555

  • 代码地址: https://github.com/MzeroMiko/vHeat

  • 论文标题:vHeat: Building Vision Models upon Heat Conduction

Overview

CNN 和视觉 Transformer(ViT)是当前最主流的两类基础视觉模型。然而,CNN的性能表现受限于局部感受野和固定的卷积核算子。ViT 具有全局依赖关系的表征能力,然而代价是高昂的二次方级别计算复杂度。我们认为 CNN 和 ViT 的卷积算子和自注意力算子都是特征内部的像素传播过程,分别是一种信息传递的形式,这也让我们联想到了物理领域的热传导。于是我们根据热传导方程,将视觉语义的空间传播和物理热传导建立联系,提出了一种 1.5 次方计算复杂度的视觉热传导算子(Heat Conduction Operator, HCO),进而设计出了一种兼具低复杂度、全局感受野、物理可解释性的视觉表征模型 vHeat。HCO 与 self-attention 的计算形式和复杂度对比如下图所示。实验证明了 vHeat 在各种视觉任务中表现优秀。例如 vHeat-T 在 ImageNet-1K 上达到 82.2% 的分类准确率,比 Swin-T 高 0.9%,比 Vim-S 高1.7%。性能之外,vHeat 还拥有高推理速度、低 GPU 显存占用和低 FLOPs 这些优点。在输入图像分辨率较高时,base 规模的 vHeat 模型相比于 Swin 达到 3 倍吞吐量、1/4 的GPU显存占用和 3/4 的 FLOPs。

方法介绍

,该热传导方程可以采用傅里叶变换求得通解,表示如下:

,其中 k>0,表示热扩散率。给定 t=0 时刻下的初始条件

在 t 时刻下的温度, 物理热传导方程为

表示点

其中

表示频域空间坐标。

分别表示傅里叶变换和逆傅里叶变换,

我们利用 HCO 来实现视觉语义中的热传导,先将物理热传导方程中的

视为输出,HCO 模拟了离散化形式的热传导通解,如下公式所示:

视为输入,

,将

扩展为多通道特征

其中

分别表示二维离散余弦变换和逆变换,HCO 的结构如下图 (a) 所示。

此外,我们认为不同图像内容应该对应不同的热扩散率,考虑到

。由于频域中不同位置表示了不同的频率值,我们提出了频率值编码(Frequency Value Embeddings,  FVEs)来表示频率值信息,与 ViT 中的绝对位置编码的实现和作用类似,并用 FVEs 对热扩散率 k 进行预测,使得 HCO 可以进行非均匀、自适应的传导,如下图所示。

的输出在频域中,我们根据频率值来决定热扩散率,

vHeat 采用多层级的结构实现,如下图所示,整体框架与主流的视觉模型类似,其中的 HCO layer 如图 2 (b) 所示。vHeat 采用多层级的结构实现,如下图所示,整体框架与主流的视觉模型类似,其中的 HCO layer 如图 2 (b) 所示。

实验结果

ImageNet分类

通过对比实验结果不难看出,在相似的参数量和 FLOPs 下:

vHeat-T 取得了 82.2% 的性能,超过 DeiT-S 达 2.4%、Vim-S 达 1.7%、Swin-T 达 0.9%。

vHeat-S 取得了 83.6% 的性能,超过 Swin-S 达 0.6%、ConvNeXt-S 达 0.5%。

vHeat-B 取得了 83.9% 的性能,超过 DeiT-B 达 2.1%、Swin-B 达 0.4%。

同时,由于 vHeat 的 O (N^1.5) 低复杂度和可并行计算性,推理吞吐量相比于 ViTs、SSM 模型有明显的优势,例如 vHeat-T 的推理吞吐量为 1514 img/s,比 Swin-T 高 22%,比 Vim-S 高 87%,也比 ConvNeXt-T 高 26%,同时拥有更好的性能。

下游任务

在 COCO 数据集上, vHeat 也拥有性能优势:在 fine-tune 12 epochs 的情况下,vHeat-T/S/B 分别达到 45.1/46.8/47.7 mAP,超过了 Swin-T/S/B 达 2.4/2.0/0.8 mAP,超过 ConvNeXt-T/S/B 达 0.9/1.4/0.7 mAP。在 ADE20K 数据集上,vHeat-T/S/B 分别达到 46.9/49.0/49.6 mIoU,相比于 Swin 和 ConvNeXt 依然拥有更好的性能表现。这些结果验证了 vHeat 在视觉下游实验中完全 work,展示出了能平替主流基础视觉模型的潜力。

分析实验

有效感受野

vHeat 拥有全局的有效感受野,可视化对比的这些主流模型中只有 DeiT 和 HiViT 也具备这个特性。但是值得注意的是,DeiT 和 HiViT 的代价是平方级的复杂度,而 vHeat 是 1.5 次方级的复杂度。

计算代价

上图从左到右分别为 vHeat-B 与其他 base 规模下的 ViT-based 模型的推理吞吐量 / GPU 显存占用 / 计算量 FLOPs 对比。可以明显看出,由于 O (N^1.5) 的计算复杂度,vHeat 相比于对比的模型有更快的推理速度、更低的显存占用以及更少的 FLOPs,并且在图像分辨率越大时,优势会更为明显。在输入图像为 768*768 分辨率时,vHeat-B 的推理吞吐量为 Swin-B 的 3 倍左右,GPU 显存占用比 Swin-B 低 74%,FLOPs 比 Swin-B 低 28%。vHeat 与 ViT-based 模型的计算代价对比,展示出其处理高分辨率图像的优秀潜质。

© THE END  物理 新浪众测 新浪众测 新浪科技公众号 新浪科技公众号

“掌”握科技鲜闻 (微信搜索techsina或扫描左侧二维码关注)

相关新闻
本文来源于网络,不代表内蒙古在线立场,转载请注明出处
我要收藏
0个赞
转发到:
推荐阅读
  • 快科技6月24日消息,根据《美国汽车新闻》发布的2024年全球汽车零部件供应商百强榜,中国动力电池企业宁德时代排名升至第四位,较去年上升了一位。这一成绩使得宁德时代仅次于博世、采埃孚和麦格纳国际这三家传统零部件行业的领军企业。同时,国轩高科[全文]
    2024-06-25 03:35
  • 今年的618已经结束,在主流电商平台均提出回归消费者体验价值的背景下,各大商家也在不断地加强服务投入,坚持“好服务是品牌名片”的商家脱颖而出,在行业趋势中更加得到了消费的信赖与认可。据OPPO服务发布战报显示,在今年618期间,OPPO电商[全文]
    2024-06-25 03:35
  • 单机游戏一直是玩家们喜爱的游戏类型之一,而竞速游戏更是其中的热门。在这款经典的竞速游戏中,玩家可以体验到极致的驾驶快感和惊险刺激的赛场氛围。游戏推荐如下:该款软件是一款功能强大的多媒体播放器,支持多种格式的音频和视频文件。它具有高清画质和流[全文]
    2024-06-23 03:41
  • 竞速游戏一直以来都是玩家们的最爱,而单机竞速游戏更是备受追捧。在众多的竞速游戏中,哪些人气高、最受欢迎呢今天我们就来为大家推荐几款高人气的单机竞速游戏。这些竞速游戏不仅画面精美、操作简单,而且玩法多样、刺激有趣。无论是追求速度与激情的赛车爱[全文]
    2024-06-22 03:47
腾讯云秒杀
阿里云服务器

Copyright 2003-2024 by 内蒙古在线 nmg.xwxzx.cn All Right Reserved.   版权所有

未经授权请勿转载 | 网站所有内容来源于网络,如有侵权联系我们删除。