国科大|国科大提出首个CNN和Transformer双体基网模型准确率高达84.1%

来源：arxiv 编辑：好困 Priscilla
【导读】Transformer和CNN在处理视觉表征方面都有着各自的优势以及一些不可避免的问题。因此，国科大、鹏城实验室和华为研究人员首次将二者进行了融合并提出全新的Conformer模型，其可以在不显著增加计算量的前提下显著提升了基网表征能力。论文已被ICCV 2021接收。卷积运算善于提取局部特征，却不具备提取全局表征的能力。
【国科大|国科大提出首个CNN和Transformer双体基网模型准确率高达84.1%】为了感受图像全局信息，CNN必须依靠堆叠卷积层，采用池化操作来扩大感受野。
Visual Transformer的提出则打破了CNN在视觉表征方面的垄断。
得益于自注意力机制，Visual Transformer (ViT、Deit)具备了全局、动态感受野的能力，在图像识别任务上取得了更好的结果。
但是受限于的计算复杂度，Transformer需要减小输入分辨率、增大下采样步长，这造成切分patch阶段损失图像细节信息。
因此，中国科学院大学联合鹏城实验室和华为提出了Conformer基网模型，将Transformer与CNN进行了融合。
Conformer模型可以在不显著增加计算量的前提下显著提升了基网表征能力。目前，论文已被ICCV 2021接收。

论文地址：https://arxiv.org/abs/2105.03889
项目地址：https://github.com/pengzhiliang/Conformer
此外，Conformer中含有并行的CNN分支和Transformer分支，通过特征耦合模块融合局部与全局特征，目的在于不损失图像细节的同时捕捉图像全局信息。

特征图可视化
对一张背景相对复杂的图片的特征进行可视化，以此来说明Conformer捕捉局部和全局信息的能力：

浅层Transformer(DeiT)特征图（c列）相比于ResNet（a列）丢失很多细节信息，而Conformer的Transformer分支特征图（d列）更好保留了局部特征；
从深层的特征图来看，DeiT特征图（g列）相比于ResNet（e列）会保留全局的特征信息，但是噪声会更大一点；
得益于Transformer分支提供的全局特征，Conformer的CNN分支特征图（f列）会保留更加完整的特征（相比于e列）；
Transformer分支特征图（h列）相比于DeiT（g列）则是保留了更多细节信息，且抑制了噪声。

网络结构Conformer是一个并行双体网结构，其中CNN分支采用了ResNet结构，Transformer分支则是采用了ViT结构。

国科大|国科大提出首个CNN和Transformer双体基网模型准确率高达84.1%

网络结构图
（c）展示了Conformer的缩略图：一个标准的ResNet stem结构，两条并行分支，两个分类器。
（b）展示了每个block中Trans和Conv的连接关系：以2个bottleneck为例，经过第一个bottleneck 3x3卷积后的局部特征经过特征耦合模块（FCU）传给Transformer block。
Transformer block将此局部特征与前一个Trans block的全局特征相加通过当前的trans block，运算结束后再将结果通过FCU模块反传给Conv block。
Conv block的最后一个bottleneck将其与经过1x1卷积后的局部特征相加，一起输入3x3卷积。
之所以将Transformer block夹在两个3x3卷积之间的原因有两个：

bottleneck中3x3卷积的channel比较少，使得FCU的fc层参数不会很大；
3x3卷积具有很强的位置先验信息，保证去掉位置编码后的性能。

实验结果Conformer网络在ImageNet上做了分类实验，并做为预训练模型在MSCOCO上做了目标检测和实例分割实验。

分类准确率对比

国科大|国科大提出首个CNN和Transformer双体基网模型 准确率高达84.1%

国科大|国科大提出首个CNN和Transformer双体基网模型准确率高达84.1%