无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO

Myth丶恋晨 2022-10-11 01:10 88阅读 0赞

机器之心发布

**Sea AI Lab (SAIL) 团队**

> VOLO 是第一个在 ImageNet 上无需额外数据达到 87.1% top-1 准确率的模型，进一步拉近了视觉 Transformer 与最顶级 CNN 模型的性能距离。

近十年来，计算机视觉识别任务一直由卷积神经网络 (CNN) 主导。尽管最近流行的视觉 Transformer 在基于 self-attention 的模型中显示出巨大的潜力，但是在没有提供额外数据的情况下，比如在 ImageNet 上的分类任务，它们的性能仍然不如最新的 SOTA CNNs。目前，在无额外数据集时，ImageNet 上的最高性能依旧是由 Google DeepMind 提出的 NFNet (Normalizer-Free Network)所获得。

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO]

*ImageNet 分类性能实时排行榜（无额外数据集），来源 https://paperswithcode.com/*

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 1]

*Cityscapes validation 实时排行榜，来源 https://paperswithcode.com/*

在一篇最近发表的论文中，**来自新加坡 Sea 集团旗下、颜水成教授领导的 Sea AI Lab (SAIL) 团队提出了一种新的深度学习网络模型结构——Vision Outlooker (VOLO)**，用于高性能视觉识别任务。它是一个简单且通用的结构，在不使用任何额外数据的情况下，实现了在 ImageNet 上图像分类任务 87.1% 的精度目标；同时，实现了在分割数据集 CityScapes Validation 上 84.3% 的性能，创下 ImageNet-1K 分类任务和 CityScapes 分割任务的两项新纪录。

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 2]

*VOLO 模型与 SOTA CNN 模型（NFNet）和 Transformer 模型（CaiT）的 ImageNet top-1 准确率比较。在使用更少参数的情况下，VOLO-D5 优于 CaiT-M48 和 NFNet-F6，并首次在不使用额外训练数据时达到了 87% 以上的 top-1 准确率。*

颜水成教授认为，**以 Transformer 为代表，「Graph Representation + Attentive Propagation」以其灵活性和普适性已展现出成为各领域统一框架的潜能，VOLO 算法表明了在视觉领域 Attention 机制也可以超越 CNN, 佐证了各领域走向模型统一的可行性。**

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 3]

*  论文地址：https://arxiv.org/pdf/2106.13112.pdf
 *  GitHub 地址：https://github.com/sail-sg/volo

**方法概述**

这项工作旨在缩小性能差距，并证明在无额外数据的情况下，基于注意力的模型优于 CNN。

具体来说，作者发现限制 self-attention 模型在图像分类中的性能的主要因素是在**将精细级特征编码到 token 表征中的效率低下**。

为了解决这个问题，作者提出了一种新颖的 outlook attention，并提出了一个简单而通用的架构——Vision OutLOoker (VOLO)。

与专注于粗略全局依赖建模的 self-attention 不同，outlook attention 旨在将更精细的特征和上下文有效地编码为 token，这些 token 对识别性能至关重要，但在很大程度上被自注意力所忽略。

**Outlooker**

VOLO 框架分为两个阶段，或者说由两个大的 block 构成：

*  第一个阶段由多层 outlooker 构成，旨在用于生成精细级别的数据表征；
 *  第二个阶段部署一系列 transformer 层来聚合全局信息。在每个阶段的开始，使用 patch 嵌入模块将输入映射到相应大小的数据表示。

第一个 stage 由多层 outlooker 构成，outlooker 是本文提出的特殊的 attention 层，每一层 outlooker 由一层 outlook attention 层和 MLP 构成，如下所示为一层 outlooker 的实现方式。

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 4]

其中，核心操作为 Outlook attention，如下图所示：

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 5]

具体来说，outlook attention 的操作如下所示：

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 6]

总体而言，outlook attention 具有如下优点：

*  较低的复杂度：相对于普通 self-attention 的时间复杂度是 O(H^2xW^2)，而 outlook attention 只有 O(HW x k2 x k2)=O(HW x k4)，而窗口大小 k 一般只有 3 或者 5，远小于图片尺寸 H 和 W。因此可用于具有更高分辨率的特征图（例如，28x28 标记），这是提高 ViT 的有效方法；
 *  更好建模局部细节：适用于下游视觉应用，如语义分割；
 *  Key and Query free: outlook attention 中无 Key 和 Query，attention map 可以直接由线性生成，去掉 MatMul(Query, Key)，节省计算量；
 *  灵活性：可以很容易地构成一个带有 self-attention 的混合网络。

作者也提供了 Outlook attention 实现的伪代码，如下图所示：

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 7]

基于提出的 Outlooker 和传统的 Transformer, 该工作提出了 VOLO 架构，同时包含五个大小变体，从小到大依次为 VOLO-D1 到 D5，架构示意如下图所示：

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 8]

**实验**

研究者在 ImageNet 数据集上对 VOLO 进行了评估，在训练阶段没有使用任何额外训练数据，并将带有 Token Labeling 的 LV-ViT-S 模型作为基线。他们在配有 8 块英伟达 V100 或 A100 GPU 的单个节点机上训练除 VOLO-D5 之外所有的 VOLO 模型，VOLO-D5 需要在双节点机上训练。

V0LO-D1 到 VOLO-D5 模型的设置如下表 3 所示：

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 9]

**主要结果**

下表 4 中，研究者将 VOLO 模型与 SOTA 模型进行了比较，所有的结果都基于纯（pure）ImageNet-1k 数据集，没有使用额外训练数据。结果表明，VOLO 模型优于 CNN、Transformer 等以往 SOTA 模型。

具体来说，该工作在图像分类和分割中验证了所提方法有效性，下图为 VOLO 在 ImageNet 上的实验结果，可以看出，仅凭 **27M 参数**，VOLO-D1 就可以实现 85.2% 的准确率，远超以往所有模型。同时 VOLO-D5 实现了 87.1% 的准确率，这也是当前在无额外数据集下 ImageNet 最好结果，比以往 SOTA 模型 NFNet-F6 有 0.5% 以上的提升。

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 10]

**Outlooker 的性能**

研究者展示了 Outlooker 在 VOLO 模型中的重要性，他们将最近的 SOTA 视觉 transformer 模型 LV-ViT-S 作为基线。LV-ViT-S 及 VOLO-D1 模型的实验设置和相应结果如下表 5 所示：

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 11]

研究者还对 Outlooker 与局部自注意力（local self-attention）和空间卷积进行了比较，结果如下表 6 所示。结果表明，在训练方法和架构相同的情况下，Outlooker 优于局部自注意力和空间卷积。

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 12]

**消融实验**

研究者将 VOLO-D1 模型扩展至 4 个不同的模型，即 VOLO-D2 到 VOLO-D5，具体的规格如上表 2 所示，相应的结果如下表 7 所示。结果表明，当增加训练模型大小和测试分辨率时，VOLO 模型都可以实现性能提升。

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 13]

研究者还发现，VOLO 模型中 Outlooker 的数量对分类性能产生影响。下表 8 中，研究者在展示了不同数量的 Outlooker 在 VOLO 模型中的影响。

结果表明，在不使用 Outlooker 时，具有 16 个 transformer 的基线模型取得了 83.3% 的准确率。增加 Outlooker 的数量可以提升准确率，但使用 4 个 Outlooker 时即达到了性能饱和，之后增加再多的数量也无法带来任何性能增益。

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 14]

**下游语义分割任务上的性能**

同时，该框架在下游任务上也取得了极大的提升，比如语义分割任务上，VOLO-d4 在 CityScapes 上实现 84.3 mIoU，在 ADE20k 上实现了 54.3 mIoU。

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 15]

![无需额外数据，首次实现ImageNet 87.1% 精度，颜水成团队开源VOLO][ImageNet 87.1_ _VOLO 16]

总体来说，实验表明 VOLO 在 ImageNet-1K 分类上达到了 87.1% 的 top-1 准确率，在无额外数据集的情况下，首次在 ImageNet 上超过 87% 准确率的模型。

同时将该框架用于下游任务，比如语义分割 (Semantic Segmentation) 上，在 Cityscapes 和 ADE20k 上也实现了非常高的性能表现，VOLO-D5 模型在 Cityscapes 上实现 84.3% mIoU，目前位居 Cityscapes validation 首位。

**工作总结**

这个工作提出了一个全新的视觉模型，并取得了 SOTA 的效果。首次在无额外数据集下，让 attention 主导的模型超越了 CNN 主导的模型精度。在证明了视觉 attention 的重要性的同时，为研究社区引入新的的模型框架和训练策略。

[ImageNet 87.1_ _VOLO]: /images/20221005/8218dcf1475e4eb3ad738694e192b0eb.png
[ImageNet 87.1_ _VOLO 1]: /images/20221005/2bd47815fcd34a5e8c5f861d0697bf10.png
[ImageNet 87.1_ _VOLO 2]: /images/20221005/48898c1a397845c3ac43f3c4f2337abe.png
[ImageNet 87.1_ _VOLO 3]: /images/20221005/0cd91cdb2a1d4b68aa3c07866def158b.png
[ImageNet 87.1_ _VOLO 4]: /images/20221005/f2594d43f7ee40afb2a6016a5acaa348.png
[ImageNet 87.1_ _VOLO 5]: /images/20221005/70e81aceb5bd448488d86957e33190f5.png
[ImageNet 87.1_ _VOLO 6]: /images/20221005/51ab29e8fbb2482bbf429bb686999cb1.png
[ImageNet 87.1_ _VOLO 7]: /images/20221005/de39cb624c04421db296426b34919b08.png
[ImageNet 87.1_ _VOLO 8]: /images/20221005/d6c197684a7b4af6a6be0c6f054ddb28.png
[ImageNet 87.1_ _VOLO 9]: /images/20221005/be983abaf1e84b89a650ff0ae494072a.png
[ImageNet 87.1_ _VOLO 10]: /images/20221005/838a564a07934e20818e80bfe60155f4.png
[ImageNet 87.1_ _VOLO 11]: /images/20221005/0d635e5a335c43faa33775f3023bd487.png
[ImageNet 87.1_ _VOLO 12]: /images/20221005/feff66fdd76747e690b076f8907d899c.png
[ImageNet 87.1_ _VOLO 13]: /images/20221005/3bfa662a0f424dc4abd8cc69bf2ea52e.png
[ImageNet 87.1_ _VOLO 14]: /images/20221005/e9deb60f14fa4e66bccaf60ce3c7a330.png
[ImageNet 87.1_ _VOLO 15]: /images/20221005/0fcae31dfe6b456b9e75e6d412cd6b45.png
[ImageNet 87.1_ _VOLO 16]: /images/20221005/7328f10cfb9e4a668b8768fe7413e913.png