Unleashing Vanilla Vision Transformer with Masked Image Modeling for Object Detection

MIMDet

Title：Unleashing Vanilla Vision Transformer with Masked Image Modeling for Object Detection

paper：https://arxiv.org/abs/2204.02964

code：https://github.com/hustvl/MIMDet

华中科技大学&腾讯PGG

Abstract

​ 本文提出了一种方法，有效地适应掩蔽图像建模(MIM)预先训练的ViT用于目标检测，这是基于我们的观察：为了构建用于目标检测的多尺度表示，随机初始化的compact convolutional stem取代了预先训练的convolutional stem，其中间特征可以自然地作为特征金字塔的高分辨率输入，而不需要上采样。而预先训练的ViT只被认为是检测器的主干的第三阶段，而不是整个特征提取器，从而产生了ConvNet-ViT混合架构。提出的检测器名为MIMDET，使MIM预训练的ViT在COCO上超过2.3 A P B o x AP^{Box} APBox和2.5 A P M a s k AP^{Mask} APMask的Swin Transformer。

Introduction

​ 在图像和视频级识别任务中，MIM预训练的ViT引人注目的迁移学习结果激励我们：对于更具有挑战性的对象或实例级识别任务，例如对象检测和实例分割，是否有可能也从强大的MIM预训练表示中获益？

​ 但是不幸的是，在VIT模型预训练在检测和分割任务的时候，直接处理对象级识别所需的高分辨率图像，使全局注意的复杂度与空间维度呈二次关系。

​ 一种方法是在微调阶段重新引入window attention或其变体，这有助于降低注意的成本。然而，使用窗口注意会导致预训练和微调之间的差异，因为窗口分区隐式地将输入视为二维规则网格，而普通的ViT则是预训练来处理一维序列。

​ 受MIM预训练的启发，这项工作追求一种不同的解决方案，以转移一个普通的ViT的对象级识别：在目标检测微调阶段，只向MIM预训练的ViT编码器提供部分输入，例如，只有25%的∼和50%的输入序列进行随机采样。输出序列片段然后补充可学习的掩码标记，并由一个小的解码器处理，以恢复完整的特征。

​ 这种看似大胆的方法在准确性-资源权衡方面却惊人地好。动机是：

• (i)在很长一段时间内，二维连续规则被认为是来自卷积神经网络(ConvNets)以及视觉理解中的层次ViT变体的实际输入。与它们不同的是，ViT将输入视为一个单独的令牌/嵌入序列。

​ 因此，ViT处理非连续输入子集是可行的，这是方法的基础。

• (ii)视觉信号在本质上具有严重的空间冗余，这鼓励了最近的MIM预训练方法采用非常高的掩蔽比（例如，40%∼75%）。

另一个障碍是在普通的ViT中缺乏金字塔式的特征层次结构，因为完善的视觉识别任务层通常需要多尺度的输入。在这项工作中，我们的目标不是重新设计针对单尺度ViT的特定任务层，相反，我们做了最小限度的调整，重新引入来自普通ViT的多尺度表示。

​ 新引入的ConvStem非常紧凑(只有4.1M，不到ViT-Base编码器大小的5%)，它的中间特性可以直接作为特征金字塔的更高分辨率输入。产生的骨干本质上是一个ConvNet-ViT混合架构的早期阶段和最后阶段。

Method

You Only Look at One Partial Sequence

​ Object识别任务通常受益于更高分辨率的输入，这些输入通常比图像分类的输入大小高一个数量级。而普通的ViT计算空间特征聚合的全局注意，以及全局注意尺度的计算和记忆成本与输入分辨率成二次关系。因此，如果一个普通的ViT直接输入完整的输入集，微调过程将在很大程度上减慢。

​ 受到MAE的启发，将ConvStem采样的卷积结果分割为不同的patches，但是只给Encoder送入25%的patches也可以达到50%AP的精度。

推测其原因是：

• 视觉信号是高度冗余的，并且松散地跨越空间维度，例如，普通的ViT能够在MIM预训练期间仅基于可见内容恢复丢失的上下文信息，这意味着它在生成之前就理解上下文。因此，在部分观察下，基于强的预训练表示，可以在复杂场景中进行全局视觉理解。
• 我们的方法在MIM预训练和微调之间引入了一个较小的差距，即我们以与训练前类似的方式对ViT进行微调。在训练前，ViT学习一个任务，只需要一个可见子集作为输入的全局上下文推理。我们的微调过程模拟了MIM预训练，它只通过基于高容量表示的部分观察来进行对象级的理解。

You Only Pre-train the Third Stage

​ 本文采用了一个典型的卷积设计，通过简单地叠加3×3卷积与2步和双特征通道。每个卷积层之后都是一个层的归一化和一个GeLU激活，我们的转换逐步减少了空间维度，也丰富了信道维度。输出嵌入与原始模式嵌入具有相同的形状，作为ViT编码器的输入。

就模型尺寸而言，只有4.1M参数，不到ViT-Base编码器尺寸的5%。虽然很小，但金字塔特征层次结构自然存在于ConvStem的中间层中。我们选择的特性{4、8}像素对输入图像的输入特征FPN的前两个阶段(即，P2和P3的输入)，而预先训练的作为FPN的P4的输入，输入只是通过无参数平均池化的输出。成功地获得了一个用于目标检测的FPN。

A ConvNet-ViT Hybrid Architecture

从本质上讲，特征提取器是一个ConvNet-ViT混合架构，是一个整洁的ConvNet/ConvStem，模型最后是一个很强的ViT。这也与当前最先进的视觉编码器设计方法的趋势相一致。ConvNet/ConvStem更适合于早期的视觉信号处理，并为ViT编码器和检测器引入了二维感应偏差，而ViT架构更可扩展，并倾向于具有更大的模型容量。

事实上，ConvStem不能通过MIM进行预训练，也不支持任何视觉编码器的MIM预训练，因为内核大小大于步幅的密集滑动卷积会跨块传播信息，导致信息泄漏并阻碍MIM。只需要在第三阶段进行预训练。

Experiment