YOLOS：重新思考Transformer的泛化性能

paper: https://arxiv.org/abs/2106.00666

code: https://github.com/hustvl/YOLOS

本文是华科&地平线关于Transformer的迁移学习、泛化性能方面的深度思考。依托于目标检测任务，从最基本的ViT出发，参考DETR架构设计，从ViT的预训练、迁移学习、模型缩放等几个维度展开了讨论了，重点揭示了Transformer的迁移学习能力与泛化性能，同时引出了Transformer在模型缩放与ConvNet缩放不一致的问题。

Abstract

Transformer能否以最少的2D空间结构从纯粹的序列到序列的角度进行2D目标识别呢？

为回答该问题，我们提出了YOLOS(You Only Look at One Sequence)，一系列基于朴素ViT(即尽可能少的进行修改)的目标检测模型。我们发现：在中等大小数据集ImageNet上预训练的YOLOS已经足以在COCO上取得极具竞争力的目标检测性能，比如：YOLOS-Base可以取得42.0boxAP指标。与此同时，我们还通过目标检测。讨论了当前预训练机制、模型缩放策略对于Transformer在视觉任务中的局限性。

YOLOS

在模型设计方面，我们尽可能参照原始ViT架构，并参照DETR针对目标检测进行适当调整。YOLOS可以轻易的适配不同的Transformer结构，这种简单的设置初衷不是为了更好的检测性能，而是为了尽可能无偏的揭示Transformer在目标检测方面的特性。

Architecture

上图给出了本文所提YOLOS架构示意图，而从ViT到YOLOS的过渡非常简单：

• YOLOS丢弃了用于图像分类的CLS而添加了100个随机初始化的DET；
• 在训练阶段，YOLOS采用偶匹配损失(Bipartite Matching Loss)替换了图像分类损失以进行目标检测。

Detection Token 

我们针对性的选择随机初始的DET作为目标表达的代理以避免2D结构与标签赋值时注入的先验知识存在的归纳偏置。当在COCO上进行微调时，每次前向传播时，在DET与真实目标之间构建一个最优偶匹配。该步骤起着与标签赋值相同的作用，但它与2D结构无关，也即是说：YOLOS不需要将ViT的输出重解释为2D结构以进行标签赋值。理论上来讲，YOLOS可以进行任意维目标检测，且无需知道精确的空间结构或者几何结构，只要将输入按照相同方式平展为序列即可。

Fine-tuning at Higher Resolution 

当在COCO上进行微调时，除了用于分类和BBOX规范的MLP参数以及DET外，其他参数均由ImageNet预训练而来。在YOLOS中，分类与BBOX头采用两层MLP实现且参数不共享。在微调阶段，图像具有比预训练更大的分辨率，我们保持块尺寸()不变，因而导致了更大的序列长度。我们采用了类似ViT的方式对预训练位置嵌入进行2D插值。

Inductive Bias 

我们精心设计了YOLOS以最小化额外的归纳偏置注入。由ViT产生的归纳片偏置源自网络的stem部分的块提取以及位置嵌入的分辨率调整。除此之外，YOLOS并未在ViT上添加额外卷积。从表达学习角度，我们选择采用DET作为目标代理并用于最终目标预测以避免额外的2D归纳偏置。

Comparisons with DETR 

YOLOS的设计是受DETR启发而来：YOLOS采用DET作为目标表达的代理以避免2D结构和任务相关的先验知识导致的归纳偏置，YOLOS采用了与DETR相似的优化方式。但同时存在几点不同：

• DETR采用了随机初始化的编解码形式的Transformer；而YOLOS则仅研究了预训练ViT编码的迁移能力；
• DETR采用了decoder-encoder注意力并在每个decoder层添加额外辅助监督；而YOLOS总是查看每一层的一个序列，而没有再操作方面对块与DET进行区分。

Experiments

Setup

Pre-training 

我们在ImageNet上采用DeiT训练策略对YOLOS/ViT进行预训练。

Fine-tuning 

我们采用类似DETR方式在COCO数据上对YOLOS进行微调。

Model Variants 

下表给出了我们关于YOLOS的不同模型配置信息。

The Effects of Pre-training

我们通过YOLOS研究了不同预训练策略对于ViT的影响，结果见上表。从上表可以看到：

• 至少在迁移学习框架下，从计算效率角度来看，预训练是很有必要的。从Tiny与Small模型对比来看，预训练可以节省大量的计算耗时；而且从头开始训练的模型性能要低于预训练模型的性能。这与恺明大神之前关于ConvNet的预训练研究不一致。
• 从真实标签监督预训练来看，不同大小模型倾向于不同的预训练机制：200epoch预训练+300epoch微调的YOLOS-Ti仍无法匹配300epoch预训练的性能；而对于small模型200epoch预训练具有与300epoch预训练相当的性能。引入额外的蒸馏，模型的性能可以进一步提升1AP指标。这是因为预训练CNN老师后模型有助于ViT更好的适配COCO。
• 从上述分析我们可以得出：ImageNet预训练结果无法精确的反应在COCO目标检测上迁移学习性能。相比图像识别中常用的迁移学习基准，YOLOS对于预训练机制更为敏感，且性能仍未达到饱和。因此，将YOLOS作为一个具有挑战性的迁移学习基础评价不同预训练策略对于ViT的影响是很合理的。

Pre-traing and Transfer Learning Perforrmance of Different Scaled Models

我们研究了不同模型缩放策略的预训练与迁移学习性能，比如宽度缩放w、均匀复合缩放dwr以及快速速度dwr。模型从1.2G缩放到4.5G并用于预训练。相关模型配置见前面的Table1，结果见下表。

从上表指标对比可以看到：

• dwr与dwr缩放均比简单的w缩放取得了更佳的精度；
• 关于缩放策略的属性与CNN相一致，比如w缩放速度最友好；dwr缩放取得了最佳精度；dwr缩放速度接近w缩放，精度与dwr相当。
• 由于COCO数据微调时分辨率与预训练分辨率不一致，此时预训练性能与迁移学习性能出现了不一致：dwr缩放具有与w缩放相当的性能，而dwr缩放则具有最佳性能。这种性能不一致说明：ViT需要一种新的模型缩放策略。

Comparisons with CNN-based Object Detectors

上表对比了YOLOS与ConvNet作为骨干时的性能，从中可以看到：在Tiny模型方面，YOLOS-Ti取得比高度优化CNN作为骨干时更佳的性能。

上表给出了YOLOS与DETR的性能对比，从中可以看到：

• YOLOS-Ti具有比DETR更佳的性能；
• YOLOS-S-dwr缩放取得了比DETR更佳的性能；
• 而YOLOS-B尽管具有更多的参数量，但仍比同等大小DETR稍弱。

尽管上述结果看起来让人很是沮丧，但是YOLOS的出发点并不是为了更佳的性能，而是为了精确的揭示ViT在目标检测方面的迁移能力。仅需要对ViT进行非常小的修改，这种架构即可成功的迁移到极具挑战性的COCO目标检测基准上并取得42boxAP指标。YOLOS的这种最小调改精确地揭示了Transformer的灵活性与泛化性能。

作为一种目标检测器，YOLOS采用DET表示所检测到地目标。我们发现：不同DET对目标位置与尺寸比较敏感，而对目标类别不敏感。见上面Fig2与Fig3.

如果觉得有用，就请分享到朋友圈吧！