Transformer又在CV界秀操作

用全卷积网络做密集预测 （dense prediction），优点很多。

但现在，你可以试试Vision Transformer了——

英特尔最近用它搞了一个密集预测模型，结果是相比全卷积，该模型在单目深度估计应用任务上，性能提高了28%。

其中，它的结果更具细粒度和全局一致性。

在语义分割任务上，该模型更是在ADE20K数据集上以49.02%的mIoU创造了新的SOTA。

这次，Transformer又在CV界秀了一波操作。

沿用编码-解码结构

此模型名叫DPT，也就是dense prediction transformer的简称。

总的来说，DPT沿用了在卷积网络中常用的编码器-解码器结构，主要是在编码器的基础计算构建块用了transformer。

它通过利用ViT为主干，将ViT提供的词包（bag-of-words）重新组合成不同分辨率的图像特征表示，然后使用卷积解码器将该表示逐步组合到最终的密集预测结果。

模型架构图如下：

具体来说就是先将输入图片转换为tokens（上图橙色块部分），有两种方法：

（1）通过展开图像表征的线性投影提取非重叠的图像块（由此产生的模型为DPT-Base与DPT-Large）；

（2）或者直接通过ResNet-50的特征提取器来搞定（由此产生的模型为DPT-Hybrid）。

然后在得到的token中添加位置embedding，以及与图像块独立的读出token（上图红色块部分）。

接着将这些token通过transformer进行处理。

再接着将每个阶段通过transformer得到的token重新组合成多种分辨率的图像表示（绿色部分）。注意，此时还只是类图像（image-like）。

下图为重组过程，token被组装成具有输入图像空间分辨率1/s的特征图。

最后，通过融合模块（紫色）将这些图像表示逐步“拼接”并经过上采样，生成我们最终想要的密集预测结果。

ps.该模块使用残差卷积单元组合特征，对特征图进行上采样。

以上就是DPT的大致生成过程，与全卷积网络不同，ViT主干在初始图像embedding计算完成后放弃了下采样，并在全部处理阶段保持恒定维数的图像表示。

此外，它在每阶段都有一个全局感受野。

正是这两点不同对密集预测任务尤其有利，让DPT模型的结果更具细粒度和全局一致性。

用两种任务来检验效果

具体效果如何？

研究人员将DPT应用于两种密集预测任务。

由于transformer只有在大训练集上才能展现其全部潜能，因此单目深度估计评估是测试DPT能力的理想任务。

他们将DPT与该任务上的SOTA模型进行对比，采用的数据集包含约140万张图像，是迄今为止最大的单目深度估计训练集。

结果是，两种DPT变体的性能均显著优于最新模型（以上指标越低越好）。

其中，与SOTA架构MiDaS相比，DPT-Hybrid的平均相对改善率超过23%，DPT-Large的平均相对改善率则超过28%。

为了确保该成绩不仅是由于扩大了训练集，研究人员也在更大的数据集上重新训练了MiDaS，结果仍然是DPT胜出。

通过视觉比较图还可以看出，DPT可以更好地重建细节，可以在对卷积结构具有挑战的区域（比如较大的均匀区域）中提高全局一致性。

另外，通过微调，研究人员发现DPT也可以有效地应用于较小的数据集。

在具有竞争力的语义分割任务上：研究人员在ADE20K数据集上对DPT进行了240个epoch的训练。

结果发现，DPT-Hybrid优于现有的所有全卷积结构，以49.02的mIoU达到了SOTA（其更清晰、更细粒度的边界效果如开头所展示）。

而DPT-Large的性能稍差，研究人员分析可能是因为与之前的实验相比，采用的数据集要小得多。

同时，他们在小数据集（Pascal）上对表现优异的DPT-Hybrid微调了50个epoch后发现，DPT的性能仍然强大。

最后，“百闻不如一见”，如果你想体验DPT的真实效果，可以到Huggingface官网。

论文地址：
https://arxiv.org/abs/2103.13413

模型地址：
https://github.com/intel-isl/dpt

Hugging Face体验地址：

https://huggingface.co/spaces/akhaliq/DPT-Large