ICCV 2023 | 傅里叶算子高效Token Mixer：轻量级视觉网络新主干

2023-08-19 14:08

©作者 | 机器之心编辑部

来源 | 机器之心

来自微软亚洲研究院的研究人员发现对 Token 进行傅里叶变换数学上等价于用超大尺寸自适应卷积核进行 Token 融合，而前者的计算代价远低于后者。基于该核心发现，研究员设计了一种名为 Adaptive Fourier Filter（AFF）的轻量高效 Token Mixer，将 Token 融合的计算复杂度从 O (N^2) 降低到 O (N log N)，并以此为基础算子构建了轻量级视觉神经网络主干 AFFNet。该主干网络能够以 5.5M 的模型参数量，在 ImageNet-1K 上实现 79.8% 的准确率。

背景

近年来，基于 Transformer、Large-kernel CNN 和 MLP 三种视觉主干网络在广泛的 CV 任务中取得了显著的成功，这要归功于它们在全局范围内的高效信息融合能力。

现有的三大主流神经网络，即 Transformer、CNN 和 MLP，分别通过各自的方式实现全局范围的 Token 融合。其中，Transformer 网络中的自注意力机制将 Query-Key pairs 的相关性作为 Token 融合的权重。CNN 通过扩大 kernel 尺寸实现与 transformer 相近的性能。MLP 通过在所有令牌之间的全连接实现另一种强大的范式。所有这些方法都是有效的，但计算复杂度高 (O (N^2))，难以在存储和计算能力有限的设备上部署，限制了很多模型的应用范围。

AFF Token Mixer: 轻量、全局、自适应

为了解决计算昂贵的问题，研究人员构建了一种名为 Adaptive Fourier Filter（AFF）的高效全局 Token 融合算子。它通过傅里叶变换将 Token 集合变换到频域，同时在频域学习到一个内容自适应的滤波掩膜，对变换到频域空间中的 Token 集合进行自适应滤波操作。

论文标题：

Adaptive Frequency Filters As Efficient Global Token Mixers

论文链接：

https://arxiv.org/abs/2307.14008

根据频域卷积定理，原始域中的卷积操作在数学上等价于对应的傅里叶域中的 Hadamard 乘积操作。这使得该工作所提出的 AFF Token Mixer 在数学上等价于使用一个空间分辨率和 Token 集合一样大小的动态卷积核在原始域中进行 Token 融合 (如下图右子图所示), 具有在全局范围内进行内容自适应 Token 融合的作用。

众所周知，动态卷积的计算开销大，大空间分辨率的动态卷积核的使用开销对于高效 / 轻量级网络设计似乎就更加不可接受。但是本文所提出的 AFF Token Mixer 却可以作为同时满足以上优点的低功耗等效实现，将复杂性从 O (N^2) 降低到 O (N log N)，显著提高了计算效率。

▲ 图1. AFF 模块和 AFFNet 网络示意图

AFFNet：轻量级视觉网络新主干

研究人员将 AFF Token Mixer 作为主要神经网络操作算子，构建了一个轻量级神经网络，称为 AFFNet。大量实验表明，AFF Token Mixer 在广泛的视觉任务中实现了优越的准确性和效率权衡，包括视觉语义识别和密集预测任务。

实验结果

研究人员在视觉语义识别、分割、检测等多个视觉任务上对所提出的 AFF Token Mixer 和 AFFNet 进行评测，并将其和目前研究领域中最先进的轻量级视觉主干网络进行对比。实验结果表明，该工作提出的模型设计在广泛的视觉任务上均表现出色，验证了所提出的 AFF Token Mixer 作为新一代轻量高效的 Token 融合算子的潜力。