从DETR到ViT等工作都验证了Transformer在计算机视觉领域的潜力，那么很自然的就需要考虑一个新的问题，图像的特征提取，究竟是CNN好还是Transformer好？

其中CNN的优势在于参数共享，关注local信息的聚合，而Transformer的优势在于全局感受野，关注global信息的聚合。直觉上来讲global和local的信息聚合都是有用的，将global信息聚合和local信息聚合有效的结合在一起可能是设计最佳网络架构的正确方向。

如何有效的结合global和local信息，最近的几篇文章主要分成了两个方向：CNN based和Transformer based。以下主要解析一下CNN based和Transformer based的网络架构设计，其中CNN based涉及ResNet和BoTNet，Transformer based涉及ViT和T2T-ViT。

网络架构设计的相互关系

BoTNet在ResNet的基础上将Bottlenneck的3x3卷积替换成MHSA，增加CNN based的网络架构的global信息聚合能力。T2T-ViT在ViT的基础上将patch的linear projection替换成T2T，增加Transformer based的网络架构的local信息聚合能力。

ResNet的结构设计，ResNet主要由Bottleneck结构堆叠而成，一层Bottlenneck由1x1conv、3x3conv和1x1conv堆叠构成残差分支，然后和skip connect分支相加。BoTNet在Bottlenneck结构的基础上将中间的3x3conv替换成MHSA结构，跟之间的Non-local等工作非常相似，本质上在CNN中引入global信息聚合。

MHSA结构如上图所示，代码如下。

class MHSA(nn.Module):  def __init__(self, n_dims, width=14, height=14):      super(MHSA, self).__init__()
      self.query = nn.Conv2d(n_dims, n_dims, kernel_size=1)      self.key = nn.Conv2d(n_dims, n_dims, kernel_size=1)      self.value = nn.Conv2d(n_dims, n_dims, kernel_size=1)
      self.rel_h = nn.Parameter(torch.randn([1, n_dims, 1, height]), requires_grad=True)      self.rel_w = nn.Parameter(torch.randn([1, n_dims, width, 1]), requires_grad=True)
      self.softmax = nn.Softmax(dim=-1)
  def forward(self, x):      n_batch, C, width, height = x.size()      q = self.query(x).view(n_batch, C, -1)      k = self.key(x).view(n_batch, C, -1)      v = self.value(x).view(n_batch, C, -1)
      content_content = torch.bmm(q.permute(0, 2, 1), k)
      content_position = (self.rel_h + self.rel_w).view(1, C, -1).permute(0, 2, 1)      content_position = torch.matmul(content_position, q)
      energy = content_content + content_position      attention = self.softmax(energy)
      out = torch.bmm(v, attention.permute(0, 2, 1))      out = out.view(n_batch, C, width, height)
      return out

跟Transformer中的multi-head self-attention非常相似，区别在于MSHA将position encoding当成了spatial attention来处理，嵌入两个可学习的向量看成是横纵两个维度的空间注意力，然后将相加融合后的空间向量于q相乘得到contect-position(相当于是引入了空间先验)，将content-position和content-content相乘得到空间敏感的相似性feature，让MHSA关注合适区域，更容易收敛。另外一个不同之处是MHSA只在蓝色块部分引入multi-head。

ViT是第一篇纯粹的将Transformer用于图像特征抽取的文章。

Vision Transformer(ViT)将输入图片拆分成16x16个patches，每个patch做一次线性变换降维同时嵌入位置信息，然后送入Transformer。类似BERT[class]标记位的设置，ViT在Transformer输入序列前增加了一个额外可学习的[class]标记位，并且该位置的Transformer Encoder输出作为图像特征。

假设输入图片大小是256x256，打算分成64个patch，每个patch是32x32像素。

x = rearrange(img, 'b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1=p, p2=p)# 将3072变成dim，假设是1024self.patch_to_embedding = nn.Linear(patch_dim, dim)x = self.patch_to_embedding(x)

这个写法是采用了爱因斯坦表达式，具体是采用了einops库实现，内部集成了各种算子，rearrange就是其中一个，非常高效。p就是patch大小，假设输入是b,3,256,256，则rearrange操作是先变成(b,3,8x32,8x32)，最后变成(b,8x8,32x32x3)即(b,64,3072)，将每张图片切分成64个小块，每个小块长度是32x32x3=3072，也就是说输入长度为64的图像序列，每个元素采用3072长度进行编码。考虑到3072有点大，ViT使用linear projection对图像序列编码进行降维。

ViT虽然验证了Transformer在图像分类网络架构设计的潜力，但是需要额外的大规模数据来进行pre-train，而在中等规模数据集如imagenet上效果却不理想。T2T-ViT引入了local的信息聚合来增强ViT局部结构建模的能力，使得T2T-ViT在中等规模imagenet上训练能达到更高的精度。

在T2T模块中，先将输入图像软分割为小块，然后将其展开成一个tokens T0序列。然后tokens的长度在T2T模块中逐步减少(文章中使用两次迭代然后输出Tf)。后续跟ViT基本上一致。

一次迭代T2T结构由re-structurization和soft split构成，re-structurization将一维序列reshape成二维图像， soft split对二维图像进行滑窗操作，拆分成重叠块。

以token transformer为例，先将输入图像拆分成7x7的重叠块，然后通过token transformer，进行块内的global信息聚合，然后通过re-structurization和soft split进行token重组和拆分成3x3的重叠块，得到长度更短的token序列，重复迭代两次，最后linear projection进一步降低token序列长度。

class T2T_module(nn.Module):  """  Tokens-to-Token encoding module  """  def __init__(self, img_size=224, in_chans=3, embed_dim=768, token_dim=64):      super().__init__()
      self.soft_split0 = nn.Unfold(kernel_size=(7, 7), stride=(4, 4), padding=(2, 2))      self.soft_split1 = nn.Unfold(kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))      self.soft_split2 = nn.Unfold(kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))
      self.attention1 = Token_transformer(dim=in_chans * 7 * 7, in_dim=token_dim, num_heads=1, mlp_ratio=1.0)      self.attention2 = Token_transformer(dim=token_dim * 3 * 3, in_dim=token_dim, num_heads=1, mlp_ratio=1.0)      self.project = nn.Linear(token_dim * 3 * 3, embed_dim)
      self.num_patches = (img_size // (4 * 2 * 2)) * (img_size // (4 * 2 * 2)) # there are 3 soft split, stride are 4,2,2 seperately
  def forward(self, x):      # step0: soft split      x = self.soft_split0(x).transpose(1, 2)
      # iteration1: restricturization/reconstruction      x = self.attention1(x)      B, new_HW, C = x.shape      x = x.transpose(1,2).reshape(B, C, int(np.sqrt(new_HW)), int(np.sqrt(new_HW)))      # iteration1: soft split      x = self.soft_split1(x).transpose(1, 2)
      # iteration2: restricturization/reconstruction      x = self.attention2(x)      B, new_HW, C = x.shape      x = x.transpose(1, 2).reshape(B, C, int(np.sqrt(new_HW)), int(np.sqrt(new_HW)))      # iteration2: soft split      x = self.soft_split2(x).transpose(1, 2)
      # final tokens      x = self.project(x)
      return x

1.global和local信息聚合的关系

global和local应该相互补充来同时balance 速度和精度，同时提升速度和精度的上限

2.CNN based和Transformer based的关系，CNN based 和 Transformer based哪个好

本质上是网络架构设计是以CNN为主好还是Transformer为主好的问题，CNN为主还是将输入当成二维的图像信号来处理，Transformer为主则将输入当成一维的序列信号来处理，所以想要研究清楚CNN为主好还是Transformer为主好的问题，需要去探索哪种输入信号更加具有优势，之前不少研究都表明CNN的padding可能透露了位置信息，而Transformer因为没有归纳偏见，需要增加position encoding来引入位置信息。CNN为主和Transformer为主各有优劣，目前来看暂无定论，且看后续发展。

Reference