Transformer的终章还是新起点？颜水成团队新作：MetaFormer才是你真正需要的！

Transformer在CV领域的成功到底是什么呢？最近一年来各种Transformer与MLP架构设计意义真的有那么大呢？CV老将“水哥”颜水成团队最新提出的MetaFormer可能提供了一个非常有价值的参考。这会不会意味着Transformer的终章呢？

要知道，水哥团队曾终结PASCAL VOC，同时也是ImageNet的“终结者”。也许，MetaFormer的出现也将意味着Transformer的落幕；当然，也许会是Transformer的新起点...

文章链接：https://arxiv.org/abs/2111.11418

代码链接：https://github.com/sail-sg/poolformer

Abstract

Transformer在CV任务中表现出了极大的潜力。在初期，一般会认为自注意力机制对于其性能起关键性做种。然而，近期的一些研究表明：Transformer中的自注意力模块替换为SpatialMLP表现仍然非常好。

基于该发现，我们假设：Transformer的广义架构(而非特定的token混合模块)对其性能起关键作用 。为进行验证，我们采用简单的空域池化替代自注意力模块以执行token混合。令人惊讶的是，我们发现所得模型PoolFormer在多个CV任务上均取得了极具竞争力的结果。比如，PoolFormer在ImageNet上取得了82.1%的top1精度，超过了精心设计的DeiT-B、ResMLP-B24，同时具有更少的参数量(分别少35%、52%)和MACs(分别少48%、60%)。

PoolFormer的有效性验证了我们的假设，促使我们提出了MetaFormer：一种由Transformer抽象出来未制定token混合操作的架构。充分的实验表明，MetaFormer是Transformer与MLP等架构取得超高性能的关键 。

我们呼吁更多的研究对MetaFormer进行改进而非聚焦于token 混合模块。此外，所提PoolFormer可作为未来MetaFormer架构研究的起始基线。

Method

我们首先给出MetaFormer的核心概念，见上图。MetaFormer是一种广义架构，它的token mixer并未具体制定同时保持其他成分与Transformer一致。类似ViT，输入图像首先经由Input Embedding进行处理，

其中,表示词嵌入，序列长度为N，维度为C。

然后，词嵌入经由多个MetaFormer模块进行处理，每个模块包含两个残差子模块。具体来说，第一个子模块主要包含token mixer进行token通信，可描述为：

一般来说，Transformer中的TokenMixer采用不同的自注意力，而在MLP架构中则采用不同的Spatial MLP。

第二个子模块是一个两层MLP，描述如下：

PoolFormer

已有的Transformer架构大多聚焦于自注意力的改进，而对其广架构的重要性较少关注。

我们认为：MetaFormer这种广义架构对于Transformer与MLP架构的成功起关键性作用 。为进行验证，我们采用了简单的pooling进行token mixer。该操作没有可学习参数，仅通过平均聚合近邻token。

由于该工作聚焦于CV任务，我们假设输入为通道优先，即，此时pooling操作可描述如下：

由于MetaFormer模块已经存在了残差连接，所以上式中引入了减操作。Pytorch实现code如下：

众所周知，自注意力与SpatialMLP的计算复杂度与token数量成二次关系。更严重的是，当处理长序列时，SpatialMLP会带来大量的参数。这就导致了自注意力与SpatialMLP仅能处理百这个量级的token；相反，pooling的计算复杂度与token数量成线性关系且无可学习参数。因此，我们类似CNN采用分层架构充分利用Pooling的优势。

上图给出了PoolFormer的整体架构示意图，下表给出了不同PoolFormer架构的参数配置信息。

Experiments

ImageNet Classification

上表给出了ImageNet分类任务上的性能对比，从中可以看到：

• 相比CNN、Transformer以及MLP等架构，PoolFormer取得了极具竞争力的结果；

• PoolFormer-S24仅需21M参数+3.6GMACs即可取得超80%的top1精度；而ResMLP-S24需要30M参数量+6.0GMACs也只能达到79.4%精度。

• PVT-M需要44M参数量+6.7GMAC取得81.2%，而PoolFormer-S35仅需31M+5.2GMACs即可取得81.5%精度；

• 相比RegNet，在相同参数量下，RegNetY-4GF以4.0GMACs取得了80.0%精度，而PoolFormer仅需3.6GMACs取得了80.3%精度。

上图给出了不同模型的MAC、参数量与精度的关系图，很明显：PoolFormer以更少的MACs和参数量超越了其他模型 。进一步说明，广义架构MetaFormer是我们设计CV模型时所真正需要的 。

Object Detection and instance Segmentation

上表给出了COCO检测任务的性能对比，可以看到：

• 基于RetinaNet框架，PoolFormer取得了比ResNet更佳的性能；

• PoolFormer-S12取得比了ResNet-18更高的性能：36.2vs31.8，性能提升高达4.4。

上表给出了COCO分割任务上的性能对比，可以看到：

• 基于Mask R-CNN框架，PoolFormer取得了比ResNet更佳的性能；

• PoolFormer-S12取得了大幅超越ResNet-18的性能，box与mask指标分别提升2.7与3.4.

• 总而言之，PoolFormer在COCO检测与分割任务上取得了一致性能提升，超越了基线ResNet。

Semantic Segmentation

上表给出了ADE20K分割任务上的性能对比，可以看到：PoolFormer取得了比ResNet、ResNeXt以及PVT更优秀的性能 。比如，PoolFormer-S12取得了37.2mIoU，以4.3优于ResNet-18，以1.5优于PVT-Tiny。

Ablation Studies

相比Transformer，PoolFormer的主要改变在于：采用Pooling提换自注意力进行token mixer。我们首先对此进行了消融分析，见下表。

从上表可以看到：

• 将Pooling替换为Identity后，所提模型仍可取得74.3%top1精度，进一步支持本文的声明：MetaFormer是我们实际所需的确保合理性能的架构；

• 不同的池化尺寸(3、5、7)对于性能的影响非常小，当尺寸提升到9后看到了性能下降，故我们采用池化尺寸3；

• 相比BN与LN，GN更适合PoolFormer，性能提升分别为0.8%和0.7%，因此，我们默认选择GN；

• 在激活函数方面，GELU与SiLU性能相当，而ReLU会造成性能下降；

• 在混合配置方面，Pool+Pool+Attention+Attention的组合具有最佳性能81%；其他配置同样非常好的性能。这说明，对于MetaFormer来说，组合Pooling与其他token mixer技术可能是一个提升模型性能的有价值的研究方向。

参考实现

如果觉得有用，就请分享到朋友圈吧！