CycleMLP：一种用于密集预测的mlp架构

来源：DeepHub IMBA
本文约1800字，建议阅读8分钟
CycleMLP可以处理各种大小的图像并利用局部窗口实现了计算复杂度与图像大小的线性关系。

CycleMLP由香港大学、商汤科技研究院和上海人工智能实验室共同开发，在2022年ICLR上发布。

MLP-Mixer, ResMLP和gMLP，其架构与图像大小相关，因此在目标检测和分割中是无法使用的。而CycleMLP有两个优点。(1)可以处理各种大小的图像。(2)利用局部窗口实现了计算复杂度与图像大小的线性关系。

Cycle FC

Cycle Fully-Connected Layer (Cycle FC) 和 Channel FC 、Spatial FC比较：

• Channel FC:在空间大小为“1”的通道维度上聚合特征。它可以处理各种输入尺度，但不能学习空间上下文。
• Spatial FC (MLP-Mixer, ResMLP， & gMLP):在空间维度上有一个全局感受野。但是它的参数大小是固定的，并且对图像尺度具有二次计算复杂度。
• 论文的Cycle FC:具有与通道FC相同的线性复杂度和比通道FC更大的感受野。

• (d)-(f)为三个不同步长示例:橙色块表示采样位置。F表示输出位置。为了简单起见省略了批处理尺寸，并将特征的宽度设置为1。

在保持计算效率的同时，扩大mlp类模型的接受域，以应对下游密集的预测任务。

Cycle FC引入(SH, SW)的感受野，其中SH和SW分别为步长，随高度和宽度维数变化。基本的Cycle FC算子可以表述为:

大小为 Cin×Cout 的 Wmlp 和大小为 Cout 的 b 是Cycle FC的参数。δi(c)和δj(c)为第c通道上两轴的空间偏移量，定义如下：

上图中(d)表示SH=3时沿两轴的偏移量，即δj(c)=0， δi(c)={- 1,0,1， - 1,0,1，…}，当c= 0,1,2，…，8时。(e)表示当SH=H时，周期FC具有全局感受野。(f)表示当SH=1时，沿任何轴都没有偏移，因此Cycle FC退化为Channel FC。

上表所示，更大的感受野带来了对语义分割和对象检测等密集预测任务的改进。同时，Cycle FC在输入分辨率上仍然保持了计算效率和灵活性，flop和参数数均与空间尺度呈线性关系。

与Transformer中的MHSA比较

受 Cordonnier ICLR’20 的启发，具有 Nh 个头的多头自注意力 (MHSA) 层可以表示如下，类似于具有以下内核大小的卷积：

Wmlp与Wmhsa的关系可以表述为：

Cycle FC中的参数size为Cin×Cout, Wmhsa为K×K×Cin×Cout。Cycle FC还引入了一个归纳偏差，即MHSA中的权重矩阵应该是稀疏的。

CycleMLP

CycleMLP在MViT和PVTv2的基础上，采用了窗口大小为7，步幅为4的重叠补丁嵌入模块。这些原始补丁通过线性嵌入层依次应用几个Cycle FC 块进一步投影到更高维度（表示为 C）。

Cycle FC块由三个并行的Cycle FC组成，它们的步长为1×7、7×1和1×1的SH×SW。该设计的灵感来自卷积的分解(Inception-v3)和交叉注意(CCNet)。

然后是一个通道 MLP，它有两个线性层，中间使用GELU激活。在并行Cycle FC 层和通道 MLP 模块之前应用 Layer Norm (LN) 层。在每个模块之后应用残差连接 (ResNet)。

在每个阶段转换中，所处理的令牌的通道容量被扩展，而令牌的数量被减少。总共有4个阶段。

模型参数如下：

两个模型遵循两种广泛使用的Transformer架构PVT和Swin构建，如上图，其中Si、Ci、Ei、Li分别代表transition的步长、token通道维度、block数量、 第I阶段的膨胀率。

PVT-style 中的模型命名为 CycleMLP-B1 至 CycleMLP-B5，Swin-Style 中的模型命名为 CycleMLP-T、-S 和 -B，分别代表 tiny、small 和 base 尺寸的模型。

结果

ImageNet

下图是mlp类模型的ImageNet-1K分类（左）。与没有额外数据的ImageNet-1K上的SOTA模型的比较（右）。

CycleMLP的精度- flop权衡始终优于现有的类似mlp的模型。并且实现了与Swin Transformer相当的性能。

在ImageNet-1K分类中，GFNet具有与CycleMLP相似的性能。打不世故GFNet与输入分辨率相关，这可能会影响密集预测的性能。

消融实验

右：当步长为7时，CycleMLP在ADE20K上的mIoU最高。

分辨率的适应性。左：绝对top-1精度;右:相对于224测试的精度差异。与DeiT和GFNet相比，CycleMLP在分辨率变化时具有更强的鲁棒性。在较高的分辨率下，CycleMLP的性能下降比GFNet小。

目标检测与实例分割

在相似的参数约束下，基于cyclemlp的RetinaNet一直优于基于cnn的ResNet、ResNeXt和基于transformer的PVT。使用Mask R-CNN进行实例分割也得到了相似的比较结果。

CycleMLP还实现了比Swin Transformer稍好的性能。

语义分割

左：ADE20K验证集上使用FPN的语义分割。右：有效感受野(ERF)

在ADE20K验证集上使用UPerNet对不同主干进行语义分割的结果。

在相似参数下，CycleMLP的性能明显优于ResNet和PVT。与Swin Transformer相比，CycleMLP可以获得与Swin Transformer相当甚至更好的性能。虽然GFNet在ImageNet分类上的性能与CycleMLP相似，但在ADE20K上，CycleMLP的性能明显优于GFNet。

鲁棒性

与transformer(如DeiT、Swin)和现有MLP模型(如MLP- mixer、ResMLP、gMLP)相比，CycleMLP具有更强的鲁棒性。

论文地址：CycleMLP: A MLP-like Architecture for Dense Prediction https://openreview.net/pdf?id=NMEceG4v69Y

作者：Sik-Ho Tsang