【ARXIV2207】LightViT: Towards Light-Weight Convolution-Free Vision Transformers
1、研究动机
作者认为，在ViT中混合 convolution，是一种信息聚合的方式，convolution 建立了所 token 之间的明确联系。基于这一点，作者等人提出“如果这种明确的聚合能以更均匀的方式发挥作用，那么它们对于轻量级的ViTs来说实际上是不必要的”。
因此，作者提出纯 attention 的轻量级网络，架构如上图所示，可以看出主要改进在于 attention 和 FFN 部分：
- Local-global broadcast attention: 在self-attention中引入可学习的全局标记来对全局依赖关系进行建模，并被广播到局部token中，因此每一个token除了拥有局部窗口注意计算带来的局部依赖关系外，还获得了全局依赖关系
- 在FFN中，设计一种双维注意模块来提升模型性能
2、Local-global broadcast of attention
- local windows attention：和大多数方法一样，在7x7的局部窗口中计算注意力
- global aggregation：设计矩阵 \(G\in\R^{T\times C}\)，是可以学习的，其中T代表token数量，C是特征维度。G做为Q与 image token 计算注意力得到 \(\hat{G}\)，
- global broadcast：将\(\hat{G}\)作为 K和V，和 image token 计算注意力，得到全局矩阵，与 local window attention 的结果相加得到输出
其中，T数量远小于窗口大小7x7（LightVIT-T中T设置为8），可以大大节省 global aggregation 和 broadcast 的计算量
3、FFN with bi-dimensional attention
作者提出了基于二维注意力的FFN，包括通道注意力和空间注意力两个分支，具体细节如下图所示，这里不再多说。
4、实验分析
该方法在多个任务上都取得了非常好的性能，这里重点介绍消融实验。如下表所示， global attn显著提升了性能，而计算量只有轻微增加。FFN中的空间注意力可以捕获空间相关性，并且选择性的关注重要的token，更好的挖掘图像结构信息。
