进军方向

   Transformer自2017年诞生之后，迅速在NLP领域攻城略地，在极短的时间内晋升成为NLP领域绝对的霸主。Transformer进军CV领域的行动早在2018年就开始了，但是行进缓慢，直到2020年谷歌再次出手，提出Transformer进军CV领域的里程碑式的神作 ViT ，屠榜ImageNet、CIFAR10、CIFAR100，将Transformer在CV领域的潜力展示给世人，大家深受震撼与启发，随即争相涌入ViT研究浪潮中，直接推动了ViT的蓬勃发展。

   在阐述Transformer在CV领域开疆拓土的行军路线前，简单概括一条范式。基于深度学习的方法解决计算机视觉领域的各种任务，诸如图像分类、目标检测、语义分割、实例分割等，都遵循统一的范式，即，特征提取模块+任务模块。
特征提取模块 + 分类器 = 图像分类网络
特征提取模块 + 检测器 = 目标检测网络
特征提取模块 + 分割器 = 语义分割网络
…
  到这里，读者朋友可能已经猜到了，Transformer可以取代语义分割任务中的特征提取模块。但Transformer是否比原本基于 CNN 的特征提取模块更好？答案是肯定的，

C
N
N
:
级
联
卷
积
虽
能
扩
大
感
受
野
，
但
是
有
效
感
受
野
只
占
理
论
感
受
野
很
小
一
部
分
，
也
就
是
说
，
卷
积
无
法
直
接
提
取
长
距
离
信
息
；
T
r
a
n
s
f
o
r
m
e
r
:
提
取
到
的
特
征
向
量
有
更
丰
富
的
全
局
上
下
文
信
息
。
\begin{aligned} CNN &: 级联卷积虽能扩大感受野，但是有效感受野只占理论感受野很小一部分，也就是说，卷积无法直接提取长距离信息；\\ Transformer &: 提取到的特征向量有更丰富的全局上下文信息。 \end{aligned}
CNNTransformer​:级联卷积虽能扩大感受野，但是有效感受野只占理论感受野很小一部分，也就是说，卷积无法直接提取长距离信息；:提取到的特征向量有更丰富的全局上下文信息。​
   至此，我们了解到，用Transformer取代语义分割中的特征提取模块是可行的，接下来，首先介绍Transformer在语义分割领域的开山制作 SETR

SETR: Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers （CVPR 2021）

SETR 是 Segmentation Transformer 前两个字母的组合

作者单位是 复旦、牛津大学、萨里大学、腾讯优图、Facebook

网络结构：ViT 特征提取 + 多层次特征融合 + 解码器

网络结构图

  在语义分割中特征提取模块又称编码器，分割器又称解码器，SETR中直接采用 ViT 中 24 层做高层语义上下文建模。
   ViT 特征提取：ViT先将输入图像等分为许多个patch，然后通过 展平(Flatten) 和 线性映射(Linear Projection) 操作将这些patch映射为序列，然后加上各自的位置编码，输入Transformer中做特征提取。
  多层次特征融合：编码器中包括 24个 Transformer Layer，为了同时获得高层语义和低层语义信息，作者将 第6、12、18、24层的输出结果从序列恢复到二维，然后按通道维度拼接(concat)，得到具有丰富语义层次的特征向量。
  解码器：采用的传统的 CNN 逐级解码，将特征向量的宽高恢复到原图像大小，扩大宽高的同时缩减通道数为类别数。

实验效果

在ADE20K取得 50.28％的mIoU，这是该数据集首次出现mIoU超过50%的记录，同时在 Pascal Context取得 55.83％的mIoU，均是 STOA效果。

ADE20K 数据集上效果

Pascal Voc 数据集上的效果

TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation

面向医学图像分割，结合 擅于长距离上下文建模的Transformer 和 擅于捕捉低层细节信息的UNet。

作者单位：约翰霍普金斯大学、电子科技大学、斯坦福大学

网络结构：CNN特征提取 + 长距离上下文建模 + UNet解码器

网络结构图

  CNN特征提取：级联卷积提取特征向量，各个stage的输出用于跳跃连接。

  长距离上下文建模：使用12个Transformer层对CNN特征提取模块中得到特征向量，进一步做长距离上下文建模。

  UNet解码器：跳跃连接，逐级解码。

实验效果

Synapse multi-organ CT 数据集上的效果

SegFormer： Simple and Efficient Design for Semantic Segmentation with Transformers （NeuralPS 2021）

作者单位：香港大学、南京大学、英伟达、加州理工大学

网络结构：Mix-FFN取代位置嵌入 + Efficient Self-Attention缩减时间复杂度 + Overlapped patch Merging 保留局部连续性 + 极简decoder

网络结构图

  Mix-FFN：ViT中位置编码的分辨率是固定的，在模型测试使用阶段，输入图像的分辨率并不固定，因此如果采用位置编码，则需通过重采样获得位置编码，显然，这会影响模型预测。本文作者认为通过填充零，卷积核尺寸3x3的卷积可以获得位置信息。具体做法是在一个简单的 前馈神经网络(FFN)中加入3x3 Conv，公式表示如下：

x
o
u
t
=
MLP
⁡
(
GELU
⁡
(
Conv
⁡
3
×
3
(
MLP
⁡
(
x
i
n
)
)
)
)
+
x
i
n
\mathbf{x}_{o u t}=\operatorname{MLP}\left(\operatorname{GELU}\left(\operatorname{Conv}_{3 \times 3}\left(\operatorname{MLP}\left(\mathbf{x}_{i n}\right)\right)\right)\right)+\mathbf{x}_{i n}
xout​=MLP(GELU(Conv3×3​(MLP(xin​))))+xin​

  Efficient Self-Attention：作者指出经典的自注意力机制算法时间复杂度为
O
(
N
2
)
O(N^2)
O(N2)，其中N为序列的长度。在ViT中序列长度 N 通常等于 H*W，其中H、W分别为图像高和宽。作者指出对于高分辨率图像，自注意力机制的时间复杂度太大，因此提出更高效的自制注意力算法。核心步骤为：
1）通过 reshape 操作，将输入序列的shape从$N\times C$变为
N
R
×
C
R
\frac{N}{R}\times CR
RN​×CR，其中R为缩减系数；
2）通过线性映射，将 shape为
N
R
×
C
R
\frac{N}{R}\times CR
RN​×CR 的序列映射为 shape为
N
R
×
C
\frac{N}{R}\times C
RN​×C 的序列。
SegFormer的四个stage的缩减系数分别为 64、16、 4、1。

  Overlapped patch Merging：本文的作者认为ViT中采用的 patch merging 算法丢失了patch周围的局部连续性信息。因此提出，重叠的patch划分方法，具体做法通过一个宽高为3的窗口，步长为2，边缘填充为1，进行滑动。通过重叠保留了patch周围的局部连续性。

  极简decoder：作者认为特征提取过程中使用的自注意力机制，已经提取到了充分高层的语义特征，因此在解码阶段，无需通过级联卷积进一步提升模型感受野。因此，本文中的解码器只包含几个简单的线性映射和上采样层。

实验效果

ADE20K和Cityscape数据集上的效果

面向移动设备的TopFormer (CVPR 2022)，医学分割 DS-TransUNet，…