CROSSFORMER: A VERSATILE VISION TRANSFORMER BASED ON CROSS-SCALE ATTENTION 论文阅读笔记

这是浙大、腾讯、哥伦比亚大学一起发表在ICCV的一篇文章，文章有三个贡献：

• 一是 Cross-scale Embedding Layer 能够提供多尺度的embedding
• 二是 Long Short Distance Attention 将自注意力机制分为了近距离和远距离分别进行处理
• 三是提出了 dynamic position bias ，能够适应不同大小的输入

• 现有的方法没有处理多尺度特征图的attention，要么是concatenate到一起从而失去了细粒度的特征，要么是没有利用多尺度特征图，为了解决这一问题，提出了本文的方法。
• 网络结构如下图：
  

CROSS-SCALE EMBEDDING LAYER

• 如图，其实就是用四个不同kernel size 相同stride的卷积核卷积图片然后concatenate到一起产生所谓“多尺度”的embedding，产生的embedding的由小尺度卷积核产生的通道包含细粒度的信息，由大尺度卷积和产生的通道包含粗粒度大范围的信息。

LONG SHORT DISTANCE ATTENTION

• 如上图，分为两部分，short distance attention其实就是window的attention，图中window size未3，也就是说注意力只在 3x3 的window内部做；long distance attention就是把相隔 I I I 个位置的稀疏点作为一个group进行内部的注意力，也就是上图（b）中，红色框的特征属于同一个group，group 内部进行注意力，黄色框的特征属于另一个group，这就是所谓 long distance attention。其实short distance attention适合embedding中的细粒度通道，因为刚好相邻并且不会产生重叠信息，而long distance attention适合embedding中的粗粒度通道，因为粗粒度的感受野足够大才可以使得相隔几个位置的embedding也是相邻的感受野。

• SDA和LDA是连续的两个block，如下：
  

• 这样做，em，我认为的好处在于，SDA确实减少了大量的运算复杂度，LDA也降低了运算复杂度的常数项，结合起来同时也能兼具细粒度和远距离，与Focal Transformer可以说有异曲同工的地方。

• 但个人觉得，如果能分别处理就好了，也就是说，SDA只对embedding的细粒度通道部分做，LDA只对embedding的粗粒度通道部分做，是不是会更加合理一点。

DYNAMIC POSITION BIAS

• 本文用的是relative position bias，公式是这样的：
  
• 而B是由相对坐标作为可训练的全连接网络的输入来生成的：