Benchmarking Detection Transfer Learning with Vision Transformers（2021-11）

这篇文章是何凯明在MAE之后关于纯transformer架构用于目标检测下游任务的探索，在MAE最后有所提及，之后还有一篇文章ViTDET一脉相承。对于VIT架构用于视觉任务带来了很多启发。

简介

目标检测作为一个中心的下游任务经常用来测试预训练模型的性能，例如训练速度或者精度等。当新的架构如VIT出现时，目标检测任务的复杂性使得这种基准测试变得更加重要。事实上，一些困难（如架构不兼容、训练缓慢、内存消耗高、未知的训练公式等）阻碍了VIT迁移到目标检测任务研究。论文提出了使用VIT作为Mask RCNN backbone，实现了最初的研究目的：作者对比了五种VITs初始化，包括自监督学习方法、监督初始化以及较强的随机初始化baseline。

无监督/自监督深度学习是常用的预训练方法用来初始化模型参数，之后他们迁移到下游任务，例如图像分类和目标检测进行finetune。无监督算法的有效性常常使用下游任务的指标(精度度、收敛速度等)来衡量与baseline作一个比较，例如有监督预训练或者 从头训练的网络(不适用预训练).

视觉领域的无监督深度学习通常使用CNN模型，因为CNNs广泛用于大部分下游任务，因此基准原型很容易被定义，可以将使用CNN的无监督算法视为一种即插即用的参数初始化模型。

论文使用Mask RCNN框架评估ViT模型在目标检测和语义分割领域COCO数据集上的性能，对ViT作最小程度的修改，保留它的简单、灵活的特性。

结论

论文给出了在Mask RCNN架构中使用VIT基础模型作为backbone的有效方法。这些方法在训练内存和时间上都可以被接受，同时没有使用太多复杂扩展的情况下实现了COCO的强大效果。

• 得到了有效的训练公式，能够对五种不同的ViT初始化方法进行基准测试。实验表明，Random initation花费的时间比任何pre-training 的初始化都要长4倍，但获得了比ImageNet-1k监督前训练更高的AP。MoCo v3，对比无监督学习的代表性算法，表现出了与监督预训练几乎相同的性能(但比随机初始化更差)。
• 重要的是，一个令人兴奋的新结果:基于mask的方法(BEiT和MAE)在监督和随机初始化方面显示出了相当可观的增益，这些增益随着模型大小的增加而增加。基于supervise的初始化和基于MoCo v3的初始化都没有观察到这种sacling 行为。

VIT backbone

使用ViT 作为Mask RCNN 的backbone有两个问题：

1. 怎样使它与FPN协同(ViT产生单一尺度的feature map)
2. 如何减少内存消耗和运行时间

针对第1点：
为了适应FPN的多尺度输入，对ViT中间层产生的feature map通过四个不同分辨率的模块进行上采样或者下采样产生多尺度特征，如上图所示绿色module，这四个模块之间的间隔都为$\frac{d}{4}$,$d$是transformer blocks的数目，也就是等间隔划分。

• 第一个绿色module，通过使用两个stride-two 的$2\times 2$的转置卷积对特征映射进行4倍上采样，首先使用一个$2\times 2$转置卷积，然后通过Group Normaliztion ，再经过一个Gelu非线性函数，接着再使用一个stride-two $2\times 2$转置卷积.
• 接下来的$\frac{d}{4}$block 采用一个stride-two$2\times 2$转置卷积进行2倍上采样，不使用归一化和非线性函数。
• 第三个$\frac{d}{4}$block 输出不做任何变化
• 最后一个block进行stride为2 的$2\times 2$的max pooling 两倍下采样。
  这些module，每一个都保留了ViT的Embeding/channel 维度，对于一个size =16 的patch 来说产生的feature map stride 分别为4,8,16,32，然后输入FPN。(因为原始的ViT 产生的feature 大小为input $\frac{1}{16}$,上采样下采样后就是论文所说的大小)

针对第2点：
ViT中每一个self-attention计算具有$O(h^2{w}^2)$的空间复杂度，以及把图像展开成不重叠的$h\times w$的patches花费的时间。
在预训练的时候这种复杂度是可控的，因为一般图像大小为$224\times 224$,patch大小为$16$,$h=w=14$这是典型设置。但是在目标检测下游任务中，标准图像大小为$1024\times 1024$，这通常是预训练像素以及patch的20倍大，这么大的分辨率也是为了检测较大和较小目标所需要的。因此这种情况下，即使是以ViT-base作为Mask RCNN的backbone，在小批量和半精度浮点数的情况下通常也需要消耗20-30GB的GPU内存。

为了减少空间和时间复杂度，采用受限制的self-attention(也叫 windowed self-attention)（来源于attention is all you need ,没印象，要去查一下，第一印象是Swin的window attention）。将$h\times w$的拼接图像划分为$r\times r$个不重叠的窗口，在每个窗口单独计算self-attention。这种windowed self-attention 拥有$O(r{h}^2{w}^2)$的空间和时间复杂度。设置 r 为全局自注意力的尺寸，典型值为14。（共有$\frac{h}{r}\times \frac{w}{r}个windows，每个window拥有O(r^2)复杂度$）。

这种做法的一个副作用就是window之间没有跨窗口信息交互，因此采用了一种混合方法，就像图中所示，包含4个全局自注意力模块，与FPN相吻合，这里也就是作者所说的添加额外部分使VIT产生多尺度特征。

对Ｍask RCNN module的修改

1. FPN中的卷积使用Batch Normalization
2. 在RPN中使用两个卷积层而不是一个
3. region-of-interest (RoI) classification and box regression head之后的全连接层使用四个带有batch normal的卷积层取代原有的带有Normalization的两层MLP。
4. 遵循在标准mask head中的卷积使用Batch Normal
   修改代码位于：https://github.com/facebookresearch/detectron2/blob/main/MODEL_ZOO.md #new-baselines-using-large-scale-jitter-and-longer-training-schedule

采用不同预训练方法的差异

1. 不同预训练采用的epoch不一样，每一个epoch训练cost也不一样，论文采用了各个方法默认的epoch，显然这些方法不具有可比性。
2. BEiT使用可学习的realtive positional bias添加到每个块的自我注意logits中，而其他方法使用绝对位置嵌入。为了解释这一点，作者在所有检测模型中都包含了相对位置偏差和绝对位置嵌入，无论它们在训练中是否使用。对于BEiT，作者迁移pre-trained bias，并随机初始化绝对位置嵌入。对其他方法，relative positional bias 进行零初始化，并迁移预训练的绝对位置嵌入。相对位置偏差在across windowed attention blocks和(单独)在across global attention blocks中共享。当预训练和微调之间存在空间维度不匹配时，我们将调整预训练参数的大小，使其达到所需的分辨率。
3. BEiT在训练中使用了layer scale，而其他方法没有使用。在微调过程中，Beit初始化的模型也必须参数化使用来自预训练模型的layer scale，其他模型在训练前或微调时都不使用layer scale。
4. 作者试图将训练前的数据标准化到ImageNet1k，然而，BEiT使用DALL·E、discrete VAE (dVAE)，这是在约2.5亿专有和未公开的图像上训练的。这些额外的训练数据的影响还没有被完全理解。

实验部分

• 初始化方法的比较，随机初始化是没有预训练的。
  
• finetune epoch 从25-400的收敛比较，可以看到任何一种方法收敛都要比随机初始化快，并且各种方法取得的AP各不相同，其中MAE与BeiT类似，但显然ViT-B比起ViT-L 与BeiT的差距更大，这是随着模型尺寸增大而增大的，表明他们具有很强的伸缩性。

大部分方法在长时间训练后，都表现出了过拟合迹象，AP值有所下降，同时观察到随机初始化方法的AP要高于MoCo V3 和有监督的IN1k,这是因为COCO数据集对于迁移学习来说是一个有挑战性的设置，因此随机初始化可能取得较好的性能。MAE和BEiT提供了第一个令人信服的结果，基于预训练COCO AP得到极大改善，并且随着模型尺寸增大AP还有很大的提升潜能。

消融实验

• 基于FPN的多尺度以及单一尺度的变种 对比。

• 减少时间和内存消耗的策略对比，有四种方案。

1. 用$14\times 14$window self-attention 代替全部Global attention
2. 混合使用attention
3. 全部使用Global attention with activation checkpointing
4. 不使用以上策略 ，会报错 out-of-memory (OOM) error阻止训练。
   第二个方案在精度和训练时间以及内存方面取得较好的平衡，令人惊讶的是全部使用window attention表现并没有那么糟糕。这可能是由于卷积操作引入的跨窗口计算以及在Mask R-CNN的RoI Align的其余部分导致的。

• 位置信息的影响。
  -在BEiT中VIT被修改为在每一个transformer block中使用realtive positional bias，而不是添加absolute positional Embeeding 到Patch embeeding。这种选择是一种正交增强，其他预训练方法都没有使用。
  为了公平比较，默认在所有微调模型中包括relative positional bias(和绝对位置嵌入)。

表格中含义
relative position biases (rel)
absolute position embeddings (abs)
pt: initialized with pre-trained values;
rand: random initialization;
zero: initialized at zero;
no: this positional information is not used in the fine-tuned model

• 预训练epoch的影响。随着epoch增大，AP也增大。

• 绘制了$\Delta A{P}^{box}@0.5$的指标。每一条代表修正某种错误后可以提升的$AP$值。
  cls:定位正确(IoU>0.5),分类错误
  loc:分类正确但是定位错误 (IoU in [0.1, 0.5))
  cls+loc: 分类和定位都出错
  dup: detection would be correct if not for a higher scoring correct detection
  bg: detection is in the background (IoU <0.1)
  miss: all undetected ground-truth objects not covered by other error types.
  基于mask的方法(MAE /BEiT)比起MoCo V3和有监督初始化方法有更少的定位错误，漏检次数也更少。
  
• 模型复杂度。从头开始训练时，ResNet101 与ViT-B都取得了48.9$A{P}^{box}$，在训练中VIT-B训练200个epoch就达到了峰值，ResNet-101要400个epoch.ResNet-101的fps明显更快。