傅里葉算子高效Token Mixer：輕量級視覺網絡新主干

作者：機器之心 2023-08-15 14:14:26

來自微軟亞洲研究院的研究人員發現對 Token 進行傅里葉變換數學上等價于用超大尺寸自適應卷積核進行 Token 融合，而前者的計算代價遠低于后者。

1. 背景

近年來，基于 Transformer、Large-kernel CNN 和 MLP 三種視覺主干網絡在廣泛的 CV 任務中取得了顯著的成功，這要歸功于它們在全局范圍內的高效信息融合能力。

現有的三大主流神經網絡，即 Transformer、CNN 和 MLP，分別通過各自的方式實現全局范圍的 Token 融合。其中，Transformer 網絡中的自注意力機制將 Query-Key pairs 的相關性作為 Token 融合的權重。CNN 通過擴大 kernel 尺寸實現與 transformer 相近的性能。MLP 通過在所有令牌之間的全連接實現另一種強大的范式。所有這些方法都是有效的，但計算復雜度高 (O (N^2))，難以在存儲和計算能力有限的設備上部署，限制了很多模型的應用范圍。

2. AFF Token Mixer: 輕量、全局、自適應

為了解決計算昂貴的問題，研究人員構建了一種名為 Adaptive Fourier Filter（AFF）的高效全局 Token 融合算子。它通過傅里葉變換將 Token 集合變換到頻域，同時在頻域學習到一個內容自適應的濾波掩膜，對變換到頻域空間中的 Token 集合進行自適應濾波操作。

論文《Adaptive Frequency Filters As Efficient Global Token Mixers》：

鏈接：https://arxiv.org/abs/2307.14008

根據頻域卷積定理，原始域中的卷積操作在數學上等價于對應的傅里葉域中的 Hadamard 乘積操作。這使得該工作所提出的 AFF Token Mixer 在數學上等價于使用一個空間分辨率和 Token 集合一樣大小的動態卷積核在原始域中進行 Token 融合 (如下圖右子圖所示), 具有在全局范圍內進行內容自適應 Token 融合的作用。

眾所周知，動態卷積的計算開銷大，大空間分辨率的動態卷積核的使用開銷對于高效 / 輕量級網絡設計似乎就更加不可接受。但是本文所提出的 AFF Token Mixer 卻可以作為同時滿足以上優點的低功耗等效實現，將復雜性從 O (N^2) 降低到 O (N log N)，顯著提高了計算效率。

圖 1：AFF 模塊和 AFFNet 網絡示意圖。

3. AFFNet：輕量級視覺網絡新主干

研究人員將 AFF Token Mixer 作為主要神經網絡操作算子，構建了一個輕量級神經網絡，稱為 AFFNet。大量實驗表明，AFF Token Mixer 在廣泛的視覺任務中實現了優越的準確性和效率權衡，包括視覺語義識別和密集預測任務。

4. 實驗結果

研究人員在視覺語義識別、分割、檢測等多個視覺任務上對所提出的 AFF Token Mixer 和 AFFNet 進行評測，并將其和目前研究領域中最先進的輕量級視覺主干網絡進行對比。實驗結果表明，該工作提出的模型設計在廣泛的視覺任務上均表現出色，驗證了所提出的 AFF Token Mixer 作為新一代輕量高效的 Token 融合算子的潛力。