ViT适用于处理图像分类任务，但是不适合直接应用到密集预测任务，因为ViT的输出分辨率较低（number of patches）。PVT（Pyramid Vision Transformer）通过巧妙地设计，可以输出高分辨率的特征图，同时引入了SRA（spatial reduction attention）来减少计算量。类似CNN，PVT输出多分辨率特征图，可应用于各类下游任务（语义分割、目标检测等）。

一、引言

ViT已经成功的应用于图像分类任务中，但是无法直接用到语义分割和目标检测等任务中，主要原因有2点：

（1）输出特征图分辨率固定，而且分辨率小；

（2）对于正常大小的图片（例如短边长度800个像素的图片），计算成本相对较高；

为了解决上述的限制，作者提出了PVT（Pyramid Vision Transformer），PVT可以替代CNN 的backbone处理多种下游任务（语义分割、目标检测等），PVT主要包含以下几点改进：

（1）PatchEmbedding生成更多的patch，来得到高分辨率特征图用于下游任务；

（2）类似CNN backbone，随着网络加深减少特征图分辨率，同时减少了计算量；

（3）使用SRA（spatial reduction attention）减少计算量；

二、网络结构

1、 Feature Pyramid for Transformer

类似CNN能够通过不同的卷积步长得到不同尺度的特征图，PVT利用PatchEmbedding中的步长来减少特征图的分辨率。

假设输入特征图的维度为[N, C, H, W]，当PatchEmbedding的patch_size为P，那么输出的特征图维度为[N, C, H/P, W/P]，由此可以降低特征图的分辨率。

PatchEmbedding代码如下：

class PatchEmbed(nn.Module):
    """ Image to Patch Embedding
    """

    def __init__(self, img_size=224, patch_size=16, in_chans=3, embed_dim=768):
        super().__init__()
        img_size = to_2tuple(img_size)
        patch_size = to_2tuple(patch_size)

        self.img_size = img_size
        self.patch_size = patch_size
        assert img_size[0] % patch_size[0] == 0 and img_size[1] % patch_size[1] == 0, \
            f"img_size {img_size} should be divided by patch_size {patch_size}."
        self.H, self.W = img_size[0] // patch_size[0], img_size[1] // patch_size[1]
        self.num_patches = self.H * self.W
        self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)
        self.norm = nn.LayerNorm(embed_dim)

    def forward(self, x):
        B, C, H, W = x.shape

        x = self.proj(x).flatten(2).transpose(1, 2)
        x = self.norm(x)
        H, W = H // self.patch_size[0], W // self.patch_size[1]

        return x, (H, W)

2、Spatial Reduction Attention

为了减少Attention的计算量，PVT提出了一个简单有效的方法，假设Q\K\V的维度为[H*W, C]，为了减少计算量，引入缩放因子R，将K\V的维度先变为[H*W/ $R^{2}$ , RC]，然后通过全连接层变为[H*W/ $R^{2}$ , C]，从而减少了计算量（实现的时候可以用卷积设置卷积核和步长为R，那么可以直接将维度从[H*W, C]变为 [H*W/ $R^{2}$ , C]）。

代码：

class Attention(nn.Module):
    def __init__(self, dim, num_heads=8, qkv_bias=False, qk_scale=None, attn_drop=0., proj_drop=0., sr_ratio=1):
        super().__init__()
        assert dim % num_heads == 0, f"dim {dim} should be divided by num_heads {num_heads}."

        self.dim = dim
        self.num_heads = num_heads
        head_dim = dim // num_heads
        self.scale = qk_scale or head_dim ** -0.5

        self.q = nn.Linear(dim, dim, bias=qkv_bias)
        self.kv = nn.Linear(dim, dim * 2, bias=qkv_bias)
        self.attn_drop = nn.Dropout(attn_drop)
        self.proj = nn.Linear(dim, dim)
        self.proj_drop = nn.Dropout(proj_drop)

        self.sr_ratio = sr_ratio
        if sr_ratio > 1:  # 维度衰减比例R
            self.sr = nn.Conv2d(dim, dim, kernel_size=sr_ratio, stride=sr_ratio)
            self.norm = nn.LayerNorm(dim)

    def forward(self, x, H, W):
        B, N, C = x.shape
        q = self.q(x).reshape(B, N, self.num_heads, C // self.num_heads).permute(0, 2, 1, 3)

        if self.sr_ratio > 1:
            x_ = x.permute(0, 2, 1).reshape(B, C, H, W)
            x_ = self.sr(x_).reshape(B, C, -1).permute(0, 2, 1)
            x_ = self.norm(x_)
            kv = self.kv(x_).reshape(B, -1, 2, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
        else:
            kv = self.kv(x).reshape(B, -1, 2, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
        k, v = kv[0], kv[1]

        attn = (q @ k.transpose(-2, -1)) * self.scale
        attn = attn.softmax(dim=-1)
        attn = self.attn_drop(attn)

        x = (attn @ v).transpose(1, 2).reshape(B, N, C)
        x = self.proj(x)
        x = self.proj_drop(x)

        return x

3、网络结构

下图为网络的结构，PVT可以得到各不同分辨率的特征图，类似于CNN backbone，PVT可以作为各下游任务的通用backbone。

网络的具体参数如下（R表示Attention的空间衰减比例，N表示num of heads，E表示Transformer模块中mlp的维度扩张比例）：

三、实验结果

1、图像分类

PVT在ImageNet-1K数据上的表现。

2、目标检测和实例分割

PVT在coco2017数据集上的表现。

3、语义分割

PVT在ADE20K数据集上的表现。

二、PVTv2

论文：PVTv2: Improved Baselines with Pyramid Vision Transformer

与PVTv1相比，PVTv2做了3点改进：

（1）overlap patch embedding;

（2）前向传播加入卷积层；

（3）进一步减少attention计算量；

一、引言

PVTv1有3个缺陷：

（1）类似于ViT，PVTv1使用non-overlapping patch embedding；

（2）PVTv1的位置编码维度固定，对任意尺寸的输入不友好；

（3）计算量大；

为了改进以上缺点，PVTv2做了以下改进：
（1）Overlapping Patch Embedding；

（2）移除位置编码，在前向传播中加入卷积；

（3）提出Linear Spatial Reduction Attention。

二、网络

通过对PVTv1进行3种改进，可以得到以下提升：
（1）获得图像和特征图局部联系；

（2）可以处理各种分辨率的输入；

（3）和CNN一样的线性计算复杂度；

1、Overlapping Patch Embedding

通过卷积实现overlapping patch embedding，只需要调整卷积核大小和卷积步长即可实现。

2、Convolutional Feed-Forward

位置编码的存在使得网络对不同大小的输入不友好，移除位置编码，同时在前向传播的mlp模块中加入卷积（使用深度可分离卷积减少计算量）来提取像素之间的位置关系信息。

代码如下：

class Mlp(nn.Module):
    def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0., linear=False):
        super().__init__()
        out_features = out_features or in_features
        hidden_features = hidden_features or in_features
        self.fc1 = nn.Linear(in_features, hidden_features)
        self.dwconv = DWConv(hidden_features)
        self.act = act_layer()
        self.fc2 = nn.Linear(hidden_features, out_features)
        self.drop = nn.Dropout(drop)
        self.linear = linear
        if self.linear:
            self.relu = nn.ReLU(inplace=True)
        self.apply(self._init_weights)


    def forward(self, x, H, W):
        x = self.fc1(x)
        if self.linear:
            x = self.relu(x)
        x = self.dwconv(x, H, W)
        x = self.act(x)
        x = self.drop(x)
        x = self.fc2(x)
        x = self.drop(x)
        return x