与最近将视觉特定的归纳偏差引入
Vision Transformer架构不同，ViT由于缺乏图像的先验信息，在密集预测任务上的性能较差。为了解决这个问题，本文提出了一种Vision Transformer适配器（ViT-Adapter），ViT-Adapter可以通过额外的架构引入归纳偏差来弥补ViT的缺陷并实现与视觉特定模型相当的性能。 具体来说，ViT-Adapter中的Backbone是一个普通的Transformer，可以用多模态数据进行预训练。在对下游任务进行微调时，使用特定于模态的适配器将数据和任务的先验信息引入模型，使其适用于这些任务。
作者验证了ViT-Adapter在多个下游任务上的有效性，包括目标检测、实例分割和语义分割。尤其，使用HTC 时，ViT-Adapter-L得到了60.1 AP^b 和52.1 AP^m ，在COCO test-dev上，超过 Swin-L 1.4 AP^b 和1.0 AP^m 。对于语义分割，ViT-Adapter-L在ADE20K val上建立了一个新的mIoU 60.5%，比SwinV2-G高0.6%。
开源地址：https://github.com/czczup/ViT-Adapter
1本文方法
话不多说先对比
图 1
如图 1 所示，与之前对大规模图像数据集（例如ImageNet）进行预训练和对不同任务进行微调的范式相比，本文的范式更加灵活。在ViT-Adapter框架中，Backbone网络是一个通用模型（例如，ViT），可以使用多模态数据和任务进行预训练。当将其应用于下游任务时，视觉专用适配器将输入数据和任务的先验信息引入到通用Backbone网络之中，使模型适用于下游任务。通过这种方式，使用ViT作为Backbone，ViT-Adapter框架实现了与专为密集预测任务设计的Transformer Backbone（如Swin Transformer）相当甚至更好的性能。
方法总览
图3
如图3所示，ViT-Adapter模型可以分为2部分。
- 第1部分是
Backbone（即ViT）：它由1个Patch Embedding和L个Transformer Encoder层组成（见图3(a)）。 - 第2部分是提出的
ViT-Adapter：如图3(b)所示，它包含1个Spatial prior module，用于从输入图像中捕获空间特征，1个Spatial Feature injector，用于将空间先验注入到ViT中，以及1个多尺度特征提取器，用于从ViT中提取分层特征。
对于ViT，首先将输入图像输入Patch Embedding，将图像分成16×16个不重叠的Patch。在此之后，这些Patch被Flatten并投影到d维Embedding中。这里的特征分辨率降低到原始图像的1/16。最后，嵌入的Patch被和位置嵌入通过ViT的L编码器层。
对于ViT-Adapter，首先将输入图像输入到Spatial prior module中。将收集3种目标分辨率(即1/8、1/16和1/32）的d维空间特征。然后，这些特征映射被Flatten并连接起来，作为特征交互的输入。
具体来说，给定交互时间N，将
ViT的Transforer编码器均匀地分割成N个Blocks，每个Block包含L/N编码器层。对于第i个Block，首先通过Spatial Feature injector将空间先验F^i_{sp} 注入到Block中，然后通过多尺度特征提取器从Block的输出中提取层次特征。经过N个特征交互后，获得了高质量的多尺度特征，然后将特征分割并reshape为3个目标分辨率1/8、1/16和1/32。最后，通过2×2的转置卷积对1/8尺度的特征图进行上采样，得到了1/4尺度的特征图。
通过这种方法，得到了一个与ResNet分辨率相似的特征金字塔，它可以用于各种密集的预测任务。
Spatial Prior Module
最近的工作表明具有重叠滑动窗口的卷积可以帮助Transforer更好地捕捉输入图像的局部连续性。受此启发，作者在ViT中引入了一个基于卷积的Spatial prior module，它通过一个stem和3个卷积将H×W输入图像下采样到不同的尺度。该模块旨在模拟与Patch Embedding平行的图像的局部空间上下文，以免改变ViT的原始架构。
图3(c)
如图3(c)所示，采用了1个借鉴于ResNet的标准卷积stem，它由3个卷积层和一个最大池化层组成。接下来，使用一个步长为2的3×3卷积堆栈构成了该模块的其余部分，它使通道数量增加了一倍并减小了特征图的大小。
最后，在最后采用几个1×1卷积将特征映射投影到D维。通过这种方法，可以得到了1个特征金字塔{F_1,F_2,F_3} ，它包含了分辨率分别为1/8、1/16和1/32的D维特征图。最后，将这些特征映射Flatten Concat到特征token F^1_{sp}∈R^{(frac{HW}{8^2} frac{HW}{16^2} frac{HW}{32^2})×D)} 中，作为以后Feature Interaction的输入。
Feature Interaction
由于柱状结构，ViT中的特征图是单尺度和低分辨率的，与金字塔结构的Transformer相比，ViT对于密集预测任务的性能是次优的。为了缓解这个问题，作者提出了2个特征交互模块，在适配器和ViT之间传递特征映射。
具体来说，这2个模块分别是基于Cross-Attention的Spatial Feature Injector和Multi-Scale Feature Extractor。
如前面所述，将基于ViT的Transformer编码器划分为N个相等的Blocks，并分别在每个Block之前和之后应用所提出的2个算子。
1、Spatial Feature Injector
图3(d)
如图3(d)所示，该模块用于将空间先验注入ViT。具体来说，对于Transformer的第i个Block，将以输入特征F^i_{vit}∈R^{frac{HW}{16^2}×D} 作为query，空间特征F^i_{sp}∈R^{(frac{HW}{8^2} frac{HW}{16^2} frac{HW}{32^2})×D)} 作为key和value。使用Cross-Attention将空间特征F^i_{sp} 注入到输入特征F^i_{vit} 中，该过程通过数学表达式可以表示为：
其中归一化层为LayerNorm，注意层的注意力机制是可选的。这里为了降低计算代价，采用了一种具有线性复杂度的可变形注意力来实现注意力层。
此外，应用一个可学习的向量gamma_i∈R^D 来平衡注意力层的输出和输入特征F^i_{vit} ，它被初始化为0。这种初始化策略确保了F^i_{vit} 的特征分布不会由于空间先验的注入而被大幅修改，从而更好地利用了预训练后的ViT权值。
2、Multi-Scale Feature Extractor
在将空间先验注入ViT后，通过F^i_{vit} 的编码器层获得输出特征F^{i 1}_{vit} 。这样便可以交换ViT特征和空间特征的作用。也就是说，采用空间特征F^i_{sp}∈R^{(frac{HW}{8^2} frac{HW}{16^2} frac{HW}{32^2})×D)} 作为query，输出特征F^i_{sp}∈R^{(frac{HW}{8^2} frac{HW}{16^2} frac{HW}{32^2})×D)} 作为key和value。然后再次通过Cross-Attention来交互这2个特征，过程可以被定义为：
与Spatial Feature Injector一样，在这里使用可变形注意力来降低计算成本。此外，为了弥补固定大小位置嵌入的缺陷，在Cross-Attention之后引入卷积前馈网络（CFFN）。考虑到效率并将CFFN的比率设置为1/4。CFFN层通过带有0填充的深度卷积来增强特征的局部连续性，具体可以表示为：
其中，新的空间特征F^{i 1}_{sp} 将被用作下一个Block中特征交互的输入。
Architecture Configurations
本文为4种不同的ViT变体构建了ViT-Adapter，包括ViT-T、ViT-S、ViT-B和ViT-L。对于这些模型，ViT-Adapter的参数数分别为2.5M、5.8M、14.0M和23.7M。每种配置的细节如表1所示。
表1
2实验
目标检测
实例分割
语义分割
可视化结果
3参考
[1].Vision Transformer Adapter for Dense Predictions
