AS-MLP：一种轴向位移的MLP框架，首次实现用MLP做检测分割
AS-MLP: An Axial Shifted MLP Architecture for Vision
单位：上海科技大学，腾讯优图
Paper: https://arxiv.org/abs/2107.08391
Code: https://github.com/svip-lab/AS-MLP
一、研究动机
在过去的十年中，卷积神经网络 (CNN) 已经受到了广泛的关注，并已成为计算机视觉中框架搭建的标准。随着对 self-attention 的深入探索和研究，基于 Transformer 的架构也逐渐出现。最近，基于 MLP 的网络框架被提出，其中几乎所有的网络参数都是从 MLP（线性层）中学习的，并取得了惊人的结果，可与类 CNN 模型相媲美。
这些惊人的结果推动了我们对基于 MLP 的架构的探索。在 MLP-Mixer中，该模型通过矩阵转置和 token-mixing 投影获得全局感受野，从而抓取了长距离依赖关系。然而，这很少充分利用局部信息，这在CNN 架构中是非常重要，因为并非所有像素都需要长距离依赖，而局部信息更侧重于提取低层特征。在基于Transformer的架构中，一些论文已经强调了局部感受野的优势，并在Transformer中引入了局部信息，如Localvit、NesT等。在这些想法的驱动下，我们主要探索局部性对基于 MLP 的架构的影响。
为了在基于 MLP 的架构中引入局部性，一个最简单、最直观的想法是在 MLP-Mixer 中添加一个窗口，然后对窗口内的特征进行局部信息的 token-mixing 投影，就像在 Swin Transformer 中所做的一样。然而，对于基于 MLP 的架构，如果我们划分窗口 (例如，7 x 7) 并在窗口中执行 token-mixing 投影，如果共享线性层，那么将只有 49 x 49 的参数，这极大地限制了模型容量，从而影响参数的学习和最终结果。如果不共享线性层，由于固定的 MLP 维度，模型将无法应用于下游任务。因此，我们为基于 MLP 的架构提出了一种轴向位移策略，我们在水平和垂直方向上空间移动特征。轴向位移可以将不同空间位置的特征排列在相同的位置。之后，使用 MLP 来组合这些功能，简单而有效。这种方法使模型能够获得更多的局部依赖，从而提高性能。它还使我们能够像卷积核一样设计 MLP 结构，例如设计核大小和膨胀率。
基于轴向位移策略，我们设计了轴向位移的 MLP 架构，命名为 AS-MLP。我们的 AS-MLP 在 ImageNet-1K 数据集中使用 88M 参数和 15.2 GFLOP 获得 83.3% Top-1 准确率，无需任何额外的训练数据。与基于Transformer的架构相比，这种简单而有效的方法优于所有基于 MLP 的架构，并实现了具有竞争力的性能。AS-MLP 架构也可以转移到下游任务，例如目标检测。据我们所知，这也是第一个将基于 MLP 的架构应用于下游任务的工作。使用 ImageNet-1K 数据集中的预训练模型，AS-MLP 在 COCO 验证集上获得 51.5 mAP，在 ADE20K 数据集上获得 49.5 MS mIoU，与基于Transformer的架构相比具有竞争力。
二、具体的网络结构
总体的网络结构如图一所示，AS-MLP一共有四个stage，对于图像分类任务，输入分辨率为224，在经过不同的stage时分辨率逐渐降低，最终的输出将使用交叉熵损失做图像分类。
图一：AS-MLP网络框架。
图二显示了在每个stage中AS-MLP block的结构以及轴向位移的过程。经过channel projection之后特征被分别使用vertical shift和horizontal shift来提取特征，得到的结果进行相加。在水平位移的过程中，来自不同位置的特征将被重新组合，之后通过MLP。
图二：(a)显示了AS-MLP块。(b)显示了水平位移。
我们也对不同操作的感受野进行了分析，图三显示了神经网络中不同操作的感受野。在AS-MLP中，我们能使用不同的shift size和dilation rate，因此使得网络具有不同的感受野。例如，图四中的第六张图显示了当shift size为3，dilation rate为2时候的感受野大小。
图三：神经网络中不同操作的感受野。
图四显示了AS-MLP框架的各种变种。不同的框架配置具有不同的参数量和计算量，用于与其他方法进行公平的结果比较。
图四：AS-MLP不同的框架配置。
三、实验结果
（一）在ImageNet-1K数据集上的图像分类性能
表一显示了所有网络在图像分类任务上的结果。我们将所有网络架构分为基于 CNN、基于 Transformer 和基于 MLP 的架构。输入分辨率为 224 x 224。当保持相似的参数量和计算量时，我们提出的 AS-MLP 优于其他基于 MLP 的架构。例如，AS-MLP-S 获得了83.1%的准确度，这优于 Mixer-B/16 (76.4%) 和 ViP-Medium/7 (82.7%)。此外，与基于Transformer的网络框架相比，它获得了具有竞争力的性能。例如 AS-MLP-B 获得了83.3%的准确度，这与Swin-B的性能相当，显示了我们的 AS-MLP 框架的有效性。
表一：在ImageNet-1K数据集上不同网络框架的实验结果
（二）在COCO数据集上的目标检测性能
目标检测和实例分割的结果见表二，值得注意的是，我们没有将我们的方法与 MLP-Mixer 进行比较，因为它使用固定的空间维度进行 MLP操作，目标检测的输入尺寸不是固定的，因此不能迁移到目标检测中。据我们所知，我们是第一个将基于 MLP 的架构应用于目标检测的工作。我们的 AS-MLP 在类似的资源限制下实现了与 Swin Transformer 相当的性能。具体来说，Cascade Mask R-CNN Swin-B在145M参数下达到51.9
，Cascade Mask R-CNN AS-MLP-B在145M参数下获得51.5
。图五也显示了目标检测和实例分割的结果。
表二：在COCO数据集上的目标检测和实例分割的性能。
图五：目标检测和实例分割的结果
（三）在ADE20K数据集上的语义分割性能
表三显示了我们的 AS-MLP 在 ADE20K 数据集上的性能。请注意，我们也是第一个将基于 MLP 框架应用于语义分割的工作。在更少的计算量的情况下，AS-MLP-T 取得了比 Swin-T 更好的结果（46.5 vs. 45.8 MS mIoU）。对于大型模型，UperNet Swin-B 有着 49.7 MS mIoU，121M 参数和 1188 GFLOPs，UperNet AS-MLP-B 有 49.5 MS mIoU，121M 参数和 1166 GFLOPs，这也显示了我们 的AS-MLP在处理下游任务时的有效性。图六也显示了我们的方法在ADE20K数据集上的语义分割的结果。
表三：不同的方法在ADE20K验证集上的语义分割性能。
图六：语义分割的结果
四、结论
提出一种轴向位移的MLP框架，首次实现用MLP做检测分割。本文将更多的注意力放在局部的特征提取上，进一步提升了MLP-based框架的性能，实验结果也是令人印象深刻的。代码也是十分简洁，在ImageNet-1K数据集上以88M的参数和15.2 GFLOPs能达到83.3%的准确率。
本文算是一个比较基本的baseline，在下游任务上的表现也仅仅和transformer相近，笔者认为在下游任务上仍然有很大的提升空间。
