目錄
1.簡介
2.YOLOv5改進
2.1增加以下S2-MLPv2.yaml文件
2.2common.py配置
2.3yolo.py配置
1.簡介
?S2-MLPv2注意力機制
?
最近，出現了基于 MLP 的視覺主干。與 CNN 和視覺Transformer相比，基于 MLP 的視覺架構具有較少的歸納偏差，在圖像識別方面實現了有競爭力的性能。其中，spatial-shift MLP (S2-MLP)，采用直接的空間位移操作，取得了比包括 MLP-mixer 和 ResMLP 在內的開創性工作更好的性能。使用具有金字塔結構的較小補丁，視覺置換器 (ViP) 和Global Filter Network (GFNet) 實現了比 S2-MLP 更好的性能。
在本文中，我們改進了 S2-MLP 視覺主干。我們沿通道維度擴展特征圖，并將擴展后的特征圖分成幾個部分。我們對分割部分進行不同的空間移位操作。
本文對空間移位MLP (S2-MLP)模型進行了改進，提出了S2-MLPv2模型。將feature map進行擴展，并將擴展后的feature map分為三部分。它將每個部分單獨移動，然后通過split-attention融合分開的特征圖。同時，我們利用層次金字塔來提高其建模細粒度細節的能力，以獲得更高的識別精度。在沒有外部訓練數據集的情況下，采用224×224的images，我們的s2-mlv2-medium模型在ImageNet1K數據集上取得了83.6%的top-1準確率，這是目前基于MLP的方法中最先進的性能。同時，與基于transformer的方法相比，我們的S2-MLPv2模型在不需要自我注意的情況下，參數更少，達到了相當的精度。
? ? ? ? 與基于MLP的先驅作品如MLP-Mixer、ResMLP以及最近類似MLP的模型如Vision Permutator和GFNet相比，空間移位MLP的另一個重要優勢是，空間移位MLP的形狀對圖像的輸入尺度是不變的。因此，經過特定尺度圖像預訓練的空間移位MLP模型可以很好地應用于具有不同尺寸輸入圖像的下游任務。未來的工作將致力于不斷提高空間移位MLP體系結構的圖像識別精度。一個有希望且直接的方向是嘗試更小尺寸的patch和更高級的四層金字塔，如CycleMLP和AS-MLP，以進一步減少FLOPs和縮短基于transformer模型之間的識別差距。
?
?S2注意力機制（S2 Attention Mechanism）是一種用于序列建模和注意力機制改進的方法，特別在自然語言處理（NLP）領域中得到廣泛應用。它是對傳統的自注意力機制（self-attention）進行改進，旨在提高序列中不同位置之間的關聯性建模能力。
-
自注意力機制回顧： 自注意力機制是一種用于處理序列數據的方法，最早在Transformer模型中提出并廣泛用于NLP任務中。在自注意力機制中，序列中的每個位置都可以與其他所有位置進行交互，以便捕獲位置之間的關系。然而，這種全局的交互可能會導致計算復雜度的增加，并且可能過于強調距離較近的位置。
-
S2注意力機制的改進： S2注意力機制引入了一種分段結構，將序列分為不同的段（segments）。每個段內的位置之間可以進行交互，但不同段之間的交互被限制。這種分段結構在捕獲長距離依賴關系時更加高效，因為不同段之間的關聯性通常較弱。
-
注意力計算： 在S2注意力中，注意力權重的計算仍然涉及對查詢（query）、鍵（key）和值（value）的操作。不同之處在于，每個段的注意力計算是獨立的，而不同段之間的注意力權重設為固定值（通常為0）。
-
優勢與應用： S2注意力機制的主要優勢是在捕獲序列中的長距離依賴關系時表現更加高效。這在處理長文本或長序列時特別有用，可以減少計算成本，同時提高建模性能。S2注意力機制在機器翻譯、文本生成、命名實體識別等NLP任務中都有應用，以更好地處理長文本的關系建模。
2.YOLOv5改進
2.1增加以下S2-MLPv2.yaml文件
# parameters
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:- [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2[-1, 1, Conv, [128, 3, 2]], # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]], # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]], # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]], # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]], # cat backbone P4[-1, 3, C3, [512, False]], # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]], # cat backbone P3[-1, 3, C3, [256, False]], # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]], # cat head P4[-1, 3, C3, [512, False]], # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]], # cat head P5[-1, 3, C3, [1024, False]], # 23 (P5/32-large)[-1, 1, S2Attention, [1024]], #修改[[17, 20, 24], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)]
2.2common.py配置
./models/common.py文件增加以下模塊
import numpy as np
import torch
from torch import nn
from torch.nn import init# https://arxiv.org/abs/2108.01072
def spatial_shift1(x):b,w,h,c = x.size()x[:,1:,:,:c//4] = x[:,:w-1,:,:c//4]x[:,:w-1,:,c//4:c//2] = x[:,1:,:,c//4:c//2]x[:,:,1:,c//2:c*3//4] = x[:,:,:h-1,c//2:c*3//4]x[:,:,:h-1,3*c//4:] = x[:,:,1:,3*c//4:]return xdef spatial_shift2(x):b,w,h,c = x.size()x[:,:,1:,:c//4] = x[:,:,:h-1,:c//4]x[:,:,:h-1,c//4:c//2] = x[:,:,1:,c//4:c//2]x[:,1:,:,c//2:c*3//4] = x[:,:w-1,:,c//2:c*3//4]x[:,:w-1,:,3*c//4:] = x[:,1:,:,3*c//4:]return xclass SplitAttention(nn.Module):def __init__(self,channel=512,k=3):super().__init__()self.channel=channelself.k=kself.mlp1=nn.Linear(channel,channel,bias=False)self.gelu=nn.GELU()self.mlp2=nn.Linear(channel,channel*k,bias=False)self.softmax=nn.Softmax(1)def forward(self,x_all):b,k,h,w,c=x_all.shapex_all=x_all.reshape(b,k,-1,c) a=torch.sum(torch.sum(x_all,1),1) hat_a=self.mlp2(self.gelu(self.mlp1(a))) hat_a=hat_a.reshape(b,self.k,c) bar_a=self.softmax(hat_a) attention=bar_a.unsqueeze(-2) out=attention*x_all out=torch.sum(out,1).reshape(b,h,w,c)return outclass S2Attention(nn.Module):def __init__(self, channels=512 ):super().__init__()self.mlp1 = nn.Linear(channels,channels*3)self.mlp2 = nn.Linear(channels,channels)self.split_attention = SplitAttention()def forward(self, x):b,c,w,h = x.size()x=x.permute(0,2,3,1)x = self.mlp1(x)x1 = spatial_shift1(x[:,:,:,:c])x2 = spatial_shift2(x[:,:,:,c:c*2])x3 = x[:,:,:,c*2:]x_all=torch.stack([x1,x2,x3],1)a = self.split_attention(x_all)x = self.mlp2(a)x=x.permute(0,3,1,2)return x2.3yolo.py配置
在 models/yolo.py文件夾下
定位到parse_model函數中，新增以下代碼
elif m is S2Attention:c1, c2 = ch[f], args[0]if c2 != no:c2 = make_divisible(c2 * gw, 8)
以上就修改完成了
又遇到的問題歡迎評論區留言討論
