日韩av电影一区二区三区四区,国产精品一级久久c片,欧美性大战久久久久久久

本文分享香港大學計算和數(shù)據(jù)科學學院俞益洲教授及其研究團隊發(fā)表于 AAAI 2025 的論文——SparX，一種強化 Vision Mamba 和 Transformer 的稀疏跳躍連接機制，性能強大，代碼已開源。

論文標題： SparX: A Sparse Cross-Layer Connection Mechanism for Hierarchical Vision Mamba and Transformer Networks

論文鏈接：

https://arxiv.org/abs/2409.09649

代碼鏈接：

https://github.com/LMMMEng/SparX

摘要

香港大學計算和數(shù)據(jù)科學學院俞益洲教授 (https://i.cs.hku.hk/~yzyu/index.html) 及其研究團隊開發(fā)了一種新型的層間稀疏跳躍連接機制 --- Sparse Cross-Layer Connection Mechanism (SparX)，可以有效提升包含 Vision Mamba 和 Transformer 在內(nèi)的 Vision Backbone 的性能。

不同于常規(guī)的 Vision Backbone 通過堆疊相同的基礎模塊來搭建網(wǎng)絡架構，SparX 受到了人類視覺系統(tǒng)中神經(jīng)節(jié)細胞 (Retinal Ganglion Cell) 的啟發(fā), 將網(wǎng)絡的基礎模塊分為兩種不同的類型：神經(jīng)節(jié)層 (Ganglion Layer) 和常規(guī)層(Normal Layer)。

前者具有更高的復雜度和連接度，類似于視覺系統(tǒng)中的神經(jīng)節(jié)細胞，而后者的連接度和復雜度都較低，類似于視覺系統(tǒng)中的常規(guī)細胞。通過交叉堆疊 Ganglion Layer 和 Normal Layer 構建了一種新的 Vision Backbone 網(wǎng)絡，在圖像分類、語義分割和目標檢測中展現(xiàn)了強大的性能。

例如，基于 SparX 構建的 Vision Mamba 模型 SparX-Mamba 相較于強大的 VMamba 仍有明顯提升：雖然參數(shù)量更少，SparX-Mamba-T 在 ImageNet-1K 上的 Top-1 準確率仍超越 VMamba-T 1%。此外，SparX-Mamba 在語義分割和目標檢測任務上同樣具備突出的性能，展現(xiàn)了 Mamba 模型在學習長距離關聯(lián)方面的優(yōu)越性。

動機

隨著自注意力（Self-attention）和狀態(tài)空間模型（State Space Models 或 SSMs）在 NLP 任務中的優(yōu)異表現(xiàn)，許多工作將這些方法成功應用到了視覺領域，例如 Swin-Transformer 和 VMamba。目前主流的 Vision Backbone 模型的設計策略為構建新的 token mixer，并據(jù)此來構建視覺網(wǎng)絡。然而，不同層輸出的特征具有一定的互補性和冗余度，因此，尋找這些特征之間的互補性，并且移除冗余的特征可以進一步提升網(wǎng)絡的表征能力，進而提升性能。雖然一些先前的工作（例如 DenseNet）已經(jīng)利用了不同網(wǎng)絡層的交互和復用來提升性能，但是 DenseNet 中的稠密連接具有較高的計算復雜度，使其難以直接用于比卷積更加復雜的和 SSM 算子。因此，設計一種高效的神經(jīng)連接機制來挖掘和利用網(wǎng)絡的層間互補性仍然需要進一步探索。

方法

以基于 Mamba 的模型為例，在 SparX 中 Ganglion Layer 包含用于提取局部信息的動態(tài)位置編碼（Dynamic Position Encoding (DPE)），用于實現(xiàn)層間信息交互的 Dynamic Multi-layer Channel Aggregator (DMCA)，和用于空間上下文信息建模的視覺狀態(tài)空間模型（Visual State Space Model 或 VSS)，而 Normal Layer 則沒有 DMCA 模塊。

此外，SparX 引入了兩條新的跨層連接規(guī)則：

1. Sparse Ganglion Layers 將一組具有均勻間隔的層指定為更加復雜且連接度更高的 ganglion layers，而所有其余層則為復雜度和連接度都較低的 normal layers。為了控制ganglion layers的密度，進而控制網(wǎng)絡的復雜度和連接度，研究團隊引入了一個步長參數(shù) S，即S=兩個最近的ganglion layers之間的normal layers的層數(shù)加一。

此外，該規(guī)則定義了兩種不同的連接類型：ganglion layer 和 norma layer 之間的內(nèi)連以及兩個 ganglion layers 之間的互連。為了讓網(wǎng)絡具備強大的層間特征交互且具有高效性，ganglion layer 只與處于自身和最近的前一個 ganglion layer 之間的那些 normal layers 建立內(nèi)連，但是同時與多個先前的 ganglion layers 建立互連。

這種設計是因為：ganglion layer 可以被視為網(wǎng)絡的“信息中心”，從最近的 normal layer 收集信息并與其他 ganglion layers 交換信息。一個簡單的例子為：如果一個網(wǎng)絡有 8 層并設置 S=2，則 normal layer 的索引為 {1, 3, 5, 7}，而 ganglion layers 的索引為 {2, 4, 6, 8}。

2. 跨層滑動窗口（Cross-layer Sliding Window）旨在進一步提升網(wǎng)絡高效性，其設計背后的動機是：盡管上述層間連接方式具有稀疏性，深層網(wǎng)絡仍可能因需要存儲和訪問大量先前的特征圖而產(chǎn)生較高的顯存消耗。為此，受啟發(fā)于經(jīng)典的空間滑動窗口，引入另一個超參數(shù) M 來限制每個 ganglion layer 僅與先前的 M 個最接近的 ganglion layers 建立互連。

基于這兩條新規(guī)則，即使沒有直接連接，語義信息仍然可以通過相對稀疏的內(nèi)連和互連從較淺的網(wǎng)絡層快速傳遞到較深的網(wǎng)絡層。圖 1 展示了一個 SparX (S=2, M=2) 的示例。

▲圖1. Mamba-based SparX示例

為了選擇性地從先前網(wǎng)絡層的特征中挖掘有用的特征，從而動態(tài)的建模層間交互，研究團隊提出了一個簡單有效的 DMCA 模塊。如下圖所示，DMCA 用當前層特征作為 query，用先前層的特征作為 key/value 來構建 channel-wise cross attention。構建 channel attention 的目的是為了更好地進行通道之間的信息交互，從而獲得更好的性能。

▲圖2. DMCA架構圖

實驗結果

圖像分類：SparX 在大規(guī)模數(shù)據(jù)集 ImageNet-1K 上表現(xiàn)出了卓越的性能，相較于現(xiàn)有方法，展現(xiàn)出更為出色的性能以及更好的 tradeoff。如表 1 所示，SparX-Mamba-S 僅以大約一半的參數(shù)量和 FLOPs 就超越了 VMamba-B 的性能。

如表 2 所示，對 SparX 在 ADE20K 上也進行了全面的評估，其性能在與一些強大的 Vision Backbones 的比較中脫穎而出，并且有著好的 tradeoff。

如表 3 所示，在 COCO 2017 數(shù)據(jù)集上，SparX 同樣展示出了更優(yōu)的性能。值得注意的是，當使用更加強大的訓練條件（3× schedule）時，SparX 展現(xiàn)了更加顯著的性能提升。

▲表3. COCO目標檢測和實例分割性能對比

通用性實驗

研究團隊用經(jīng)典的 Swin-Transformer 測試了 SparX 的通用性，為了保持公平對比，micro 設計嚴格保持了和 Swin 原始設計一致，例如完全相同的 patch embedding 和 token mixer。如表 4 所示，SparX 在不同任務上均取得了顯著的性能提升。

▲表4. SparX用于Transformer架構時的性能

消融實驗

為了驗證 SparX 的有效性，研究團隊構建了兩種不同的稠密連接模型：1）Dense Ganglion Connections (DGC-Mamba-T)：移除跨層滑動窗口（Cross-layer Sliding Window）來消除互連稀疏性；2）DenseNet-style Network (DSN-Mamba-T)：完全按照 DenseNet 的策略來構建模型。

如表 5 所示，SparX 在保持最優(yōu)性能的前提下還具備高效性。

▲表5. SparX和Dense Connection的對比

可視化實驗

Centered Kernel Alignment (CKA) 分析：不難發(fā)現(xiàn)，在表 5 消融實驗中，連接度更高的模型（DGC 和 DSN）并沒有帶來性能提升。為了尋找背后的原因，我們進行了模型的 CKA 分析。如圖 3 所示，VMamba-T 每一層學習到的特征與相鄰層非常相似，說明了模型具有大量的特征冗余。此外，DGC 和 DSN 模型可以學習到更加多樣化的特征，降低了特征冗余度。與這些方法相比，SparX 不同層的特征更加多樣化，從而具有更加強大的特征表達，這也是其性能更好的原因。