清华大学提出DAT | DCN+Swin Transformer会碰撞出怎样的火花？( 三 )

虽然DeformableDETR通过在每个检测头设置更少的key来减少这个计算开销，但是，在Backbone中，这样少的key是次要的，因为这样的信息丢失是不可接受的（见附录中的详细比较）。
同时，在先前的工作中的观察显示，不同的query在视觉注意力模型中具有相似的注意力图。因此，选择了一个更简单的解决方案，为每个query共享移动的key和value以实现有效的权衡。
具体来说，本文提出了DeformableAttention ，在特征映射中重要区域的引导下，有效地建模Token之间的关系。这些集中的regions由offset网络从query中学习到的多组Deformablesampling点确定。采用双线性插值对特征映射中的特征进行采样，然后将采样后的特征输入key投影得到DeformableKey 。
1、Deformable注意力模块

文章图片
如图2(a)所示，给定输入特征图，生成一个点的统一网格作为参考。具体来说，网格大小从输入的特征图大小降采样一个系数，，。参考点的值为线性间隔的2D坐标，然后根据网格形状将其归一化为范围，其中表示左上角，表示右下角。
为了获得每个参考点的offset ，将特征映射线性投影到querytoken ，然后输入一个轻量子网络

文章图片
和分别表示deformedkey嵌入和value嵌入。具体来说，将采样函数

文章图片
其中和

文章图片
其中
2、Offset生成
如前面所述，采用一个子网络进行Offset的生成，它分别消耗query特征和输出参考点的offset值。考虑到每个参考点覆盖一个局部的s×s区域（×是偏移的最大值），生成网络也应该有对局部特征的感知，以学习合理的offset 。

文章图片
因此，将子网络实现为2个具有非线性激活的卷积模块，如图2(b) 。所示输入特征首先通过一个5×5的深度卷积来捕获局部特征。然后，采用GELU激活和1×1卷积得到二维偏移量。同样值得注意的是， 1×1卷积中的偏差被降低，以缓解所有位置的强迫性偏移。
3、Offsetgroups
为了促进变形点的多样性，在MHSA中遵循类似的范式，并将特征通道划分为G组。每个组的特征分别使用共享的子网络来生成相应的偏移量。在实际应用中，注意力模块的Head数M被设置为偏移组G大小的倍数，确保多个注意力头被分配给一组deformedkeys和values 。
4、Deformable相对位置偏差
相对位置偏差对每对query和key之间的相对位置进行编码，通过空间信息增强了普通的注意力。考虑到一个形状为H×W的特征图，其相对坐标位移分别位于二维空间的[?H ， H]和[?W ， W]的范围内。在SwinTransformer中，构造了相对位置偏置表，通过对表的相对位移进行索引，得到相对位置偏置B 。由于可变形注意力具有连续的key位置，计算在归一化范围内的相对位移[?1 ， +1] ，然后在连续的相对偏置表中插值，以覆盖所有可能的偏移值。
5、计算的复杂度
可变形多头注意力(DMHA)的计算成本与PVT或SwinTransformer中对应的计算成本相似。唯一的额外开销来自于用于生成偏移量的子网络。整个模块的复杂性可以概括为：

文章图片
其中，为采样点的数量。可以看出， offset网络的计算代价具有线性复杂度w.r.t.通道的大小，这与注意力计算的成本相对较小。通常，考虑用于图像分类的Swin-T模型的第三阶段，其中，单个块模块中注意力模块的计算成本为79.63MFLOPs 。如果插入可变形模块(k=5) ，额外的开销是5.08MFlops ，这仅是整个模块的6.0% 。此外，通过选择一个较大的下采样因子，复杂性将进一步降低，这使得它有利于具有更高分辨率输入的任务，如目标检测和实例分割。