? Vision Mamba 論文鏈接：

https://arxiv.org/abs/2401.09417

? 項(xiàng)目主頁：

https://github.com/hustvl/Vim

本文的工作Vision Mamba[1]發(fā)表在ICML 2024。研究的問題是如何設(shè)計(jì)新型神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)高效的視覺表示學(xué)習(xí)。該任務(wù)要求神經(jīng)網(wǎng)絡(luò)模型能夠在處理高分辨率圖像時(shí)既保持高性能，又具備計(jì)算和內(nèi)存的高效性。先前的方法主要依賴自注意力機(jī)制來進(jìn)行視覺表示學(xué)習(xí)，但這種方法在處理長序列時(shí)速度和內(nèi)存使用上存在挑戰(zhàn)。論文提出了一種新的通用視覺主干模型Vision Mamba，簡稱Vim1，該模型使用雙向狀態(tài)空間模型（SSM）對圖像序列進(jìn)行位置嵌入，并利用雙向SSM壓縮視覺表示。在ImageNet[2]分類、COCO[2]目標(biāo)檢測和ADE20k[3]語義分割任務(wù)中，Vim相比現(xiàn)有的視覺Transformer[4]（如DeiT[5]）在性能上有顯著提升，同時(shí)在計(jì)算和內(nèi)存效率上也有顯著改進(jìn)。例如，在進(jìn)行分辨率為1248×1248的批量推理時(shí)，Vim比DeiT快2.8倍，GPU內(nèi)存節(jié)省86.8%。這些結(jié)果表明，Vim能夠克服在高分辨率圖像理解中執(zhí)行Transformer樣式的計(jì)算和內(nèi)存限制，具有成為下一代視覺基礎(chǔ)模型主干的潛力。

圖1  本文所提出的Vision Mamba (Vim)和基于Transformer的DeiT模型進(jìn)行精度與效率對比：Vim在圖像分類、目標(biāo)檢測、語義分割、實(shí)例分割任務(wù)上獲得了更好的精度，且在高清分辨率圖像處理上呈現(xiàn)出巨大的優(yōu)勢。

圖像表示學(xué)習(xí)是計(jì)算機(jī)視覺領(lǐng)域的重要研究課題，其目的是通過模型學(xué)習(xí)從圖像中提取有意義的特征，從而應(yīng)用于各種視覺任務(wù)中。目前，視覺Transformer（Vision Transformer, ViT[4]）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNNs）是圖像表示學(xué)習(xí)中最常用的方法。然而，這些方法在理論上存在一些局限性。

視覺Transformer利用自注意力機(jī)制能夠取得全局的感受野，在大規(guī)模自監(jiān)督預(yù)訓(xùn)練和下游任務(wù)中表現(xiàn)出色，但其自注意力機(jī)制在處理長序列依賴和高分辨率圖像時(shí)，帶來了計(jì)算和內(nèi)存的巨大開銷。具體而言，自注意力機(jī)制的計(jì)算復(fù)雜度是輸入的圖像塊序列長度的平方，這使得其在處理高分辨率圖像時(shí)非常耗時(shí)且占用大量內(nèi)存。盡管一些研究提出了改進(jìn)方法，如窗口注意力機(jī)制[6,7]，但這些方法雖然降低了復(fù)雜度，但導(dǎo)致感受野被局限在局部的窗口內(nèi)部，失去了原本全局感受野的優(yōu)勢。

另一方面，卷積神經(jīng)網(wǎng)絡(luò)在處理圖像時(shí)，通過使用固定大小的卷積核來提取局部特征。然而，卷積神經(jīng)網(wǎng)絡(luò)在捕捉全局上下文信息方面存在局限性，因?yàn)榫矸e核的感受野是有限的，雖然一些研究引入了金字塔結(jié)構(gòu)或大卷積核來增強(qiáng)全局信息提取能力，但這些改進(jìn)仍然無法完全克服CNN在處理長序列依賴方面的不足。

在自然語言處理領(lǐng)域，Mamba[11]方法的出現(xiàn)給高效率長序列建模帶來了很好的發(fā)展契機(jī)。Mamba是狀態(tài)空間模型（state space model, SSM）方法的最新演進(jìn)。Mamba提出了一種輸入自適應(yīng)的狀態(tài)空間模型，能夠更高質(zhì)量地完成序列建模任務(wù)。與此同時(shí)，該方法在處理長序列建模問題時(shí)有著次二次方的復(fù)雜度與更高的處理效率。然而，Mamba方法并不能夠直接應(yīng)用于視覺表征學(xué)習(xí)，因?yàn)镸amba方法是為自然語言領(lǐng)域的因果建模而設(shè)計(jì)的，它缺少對于二維空間位置的感知能力以及缺少全局的建模能力。

圖2  本文所提出的Vim模型的網(wǎng)絡(luò)構(gòu)架圖。

為了克服上述Transformer和CNN的理論局限性，啟發(fā)于自然語言處理領(lǐng)域Mamba的成功，本文提出了一種新的通用視覺主干模型——Vision Mamba (Vim)。該模型基于狀態(tài)空間模型[10]（State Space Models, SSMs），利用其在長序列建模中的高效性，提供了一種新的視覺表示學(xué)習(xí)方法。該模型提出了雙向狀態(tài)空間模型來適配視覺特征的多方向性，并引入位置編碼來針對圖像單元進(jìn)行標(biāo)記。本文提出的Vim模型通過雙向SSM對圖像序列進(jìn)行位置嵌入和壓縮，不僅在ImageNet分類任務(wù)上表現(xiàn)出色，還在COCO目標(biāo)檢測和ADE20k語義分割任務(wù)中展示了優(yōu)異的性能。與現(xiàn)有的視覺Transformer如DeiT相比，Vim在計(jì)算和內(nèi)存效率上有顯著提升。

Vim通過借助于Mamba的硬件友好的實(shí)現(xiàn)方式確保運(yùn)行的效率。優(yōu)化的關(guān)鍵思想是避免GPU的I/O瓶頸和內(nèi)存瓶頸。

IO高效性。高帶寬存儲(chǔ)器（HBM）和SRAM是GPU的兩個(gè)重要組成部分。其中，SRAM具有更大的帶寬，而HBM具有更大的存儲(chǔ)容量。標(biāo)準(zhǔn)的Vim的SSM操作在HBM上需要的I/O數(shù)量是O(BMEN)，其中B為批量大小，M為圖像塊序列長度，E 表示擴(kuò)展?fàn)顟B(tài)維度，N 表示 SSM 維度。受到Mamba的啟發(fā)，Vim首先將O(BME+EN)字節(jié)的內(nèi)存從較慢的HBM讀取到較快的SRAM中。然后Vim在SRAM中獲取對應(yīng)的參數(shù)，并執(zhí)行SSM操作，最終將輸出結(jié)果寫回HBM。此方法可以講I/O數(shù)量從O(BMEN)降低到O(BME+EN)從而大幅度提升效率。

內(nèi)存高效性。為了避免內(nèi)存不足問題并在處理長序列時(shí)降低內(nèi)存使用，Vim選擇了與 Mamba 相同的重計(jì)算方法。對于尺寸為 (B.M,E,N)的中間狀態(tài)來計(jì)算梯度，Vim在網(wǎng)絡(luò)的反向傳遞中重新計(jì)算它們。對于激活函數(shù)和卷積的中間激活值，Vim 也重新計(jì)算它們，以優(yōu)化 GPU 的內(nèi)存需求，因?yàn)榧せ钪嫡加昧舜罅績?nèi)存，但重新計(jì)算速度很快。

該方法在標(biāo)準(zhǔn)的大型圖片分類數(shù)據(jù)集ImageNet-1K上進(jìn)行驗(yàn)證。并將分類訓(xùn)練好的模型作為預(yù)加載權(quán)重用于下游圖片密集型預(yù)測任務(wù)中去，如COCO數(shù)據(jù)集上的目標(biāo)檢測和實(shí)力分割任務(wù)， ADE20K上的像素級別的語義分割任務(wù)。

如表1與當(dāng)前主流的分類模型對比Vim顯示出了相當(dāng)?shù)木?，將Vim和基于CNN、Transformer和SSM的主干網(wǎng)絡(luò)進(jìn)行比較，Vim顯示了相當(dāng)甚至更優(yōu)的性能。例如，在參數(shù)量相同的情況下Vim-Small的準(zhǔn)確率80.3%，比ResNet50[12]高出了4.1個(gè)百分點(diǎn)。與傳統(tǒng)的基于自注意力機(jī)制的ViT[4]相比，Vim在參數(shù)數(shù)量和準(zhǔn)確率上均有顯著提升。與視覺Transformer ViT高度優(yōu)化的變種DeiT相比，Vim在不同模型尺度上均以相似的參數(shù)數(shù)量取得了更好的精度。

如圖1所示，Vim的優(yōu)越的效率足以支持更細(xì)粒度的微調(diào)，在通過細(xì)粒度微調(diào)后，與基于SSM的S4ND-ViT-B[13]相比，Vim在參數(shù)數(shù)量減小3倍的情況下達(dá)到了相似的精度，Vim-Ti+，Vim-S+和Vim-B+的結(jié)果均有所提高。其中，Vim-S+甚至達(dá)到了與DeiT-B相似的效果。

表1 ImageNet-1K分類骨干網(wǎng)絡(luò)對比

在ADE20K語義分割數(shù)據(jù)集上，我們將ImageNet-1K上訓(xùn)練好的權(quán)重加載到UperNet[14]分割器中，使用Vim作為骨干網(wǎng)絡(luò)進(jìn)行特征提取，如表3所示，Vim取得了相比于CNN網(wǎng)絡(luò)ResNet更少的參數(shù)量以及更高的精度，去Transformer模型DeiT相比，Vim取得了更優(yōu)的精度。

表2 ADE20k語義分割對比

表3  COCO目標(biāo)檢測和實(shí)例分割對比

在COCO目標(biāo)檢測與實(shí)例分割數(shù)據(jù)集上，我們將ImageNet-1K上訓(xùn)練好的權(quán)重加載到Cascade-RCNN框架中，使用Vim作為骨干網(wǎng)絡(luò)進(jìn)行特征提取，如表3所示，Vim取得相對于Transformer的DeiT更好的檢測框精度和實(shí)例分割精度。值得注意的是，在高清圖像輸入的目標(biāo)檢測任務(wù)上，圖像輸入分辨率為1024×1024，由于Transformer的平方復(fù)雜度，需要將自注意力機(jī)制限制在固定大小的窗口內(nèi)， 而Vim得意于其線性復(fù)雜度，無需窗口化，可以進(jìn)行全局的視覺特征感知，從而取得了相對于表3中窗口化DeiT更好的精度。

雙向SSM。如表4所示，雙向SSM相較于原本的單向SSM取得了更高的分類精度， 且在下游的密集型預(yù)測任務(wù)上取得更為顯著的優(yōu)勢。這一結(jié)果顯示了本文提出的雙向設(shè)計(jì)對于視覺特征學(xué)習(xí)的必要性與重要性。

表4  雙向SSM建模消融實(shí)驗(yàn)

分類策略。在表5中，我們探索了以下幾種分類策略：

表5  分類策略消融實(shí)驗(yàn)

· Mean pool，將最后Vision Mamba編碼器輸出的特征進(jìn)行平均池化。

· Max pool，將最后Vision Mamba編碼器輸出的特征進(jìn)行最大化池化。

· Head class token，將類別標(biāo)記詞元置于圖像塊序列頭部。

· Double class token，將類別標(biāo)記詞元置于圖像塊序列兩端。

· Middle class token，將類別標(biāo)記詞元置于圖像塊序列中間。

如表5所示，實(shí)驗(yàn)結(jié)果表明，中間類別標(biāo)記策略能夠充分利用SSM的循環(huán)特性和ImageNet中的中心對象先驗(yàn)，展示了最佳的top-1準(zhǔn)確率76.1。

該論文提出了Vision Mamba (Vim)，以探索最新的高效狀態(tài)空間模型Mamba作為通用視覺主干網(wǎng)絡(luò)。與以往用于視覺任務(wù)的狀態(tài)空間模型采用混合架構(gòu)或等效的全局二維卷積核不同，Vim以序列建模的方式學(xué)習(xí)視覺表示，并未引入圖像特定的歸納偏置。得益于所提出的雙向狀態(tài)空間建模，Vim實(shí)現(xiàn)了數(shù)據(jù)依賴的全局視覺上下文，并具備與Transformer相同的建模能力，同時(shí)計(jì)算復(fù)雜度更低。受益于Mamba的硬件感知設(shè)計(jì)，Vim在處理高分辨率圖像時(shí)的推理速度和內(nèi)存使用顯著優(yōu)于ViTs。在標(biāo)準(zhǔn)計(jì)算機(jī)視覺基準(zhǔn)上的實(shí)驗(yàn)結(jié)果驗(yàn)證了Vim的建模能力和高效性，表明Vim具有成為下一代視覺主干網(wǎng)絡(luò)的巨大潛力。

參考文獻(xiàn)：

[1] Zhu L, Liao B, Zhang Q, et al. Vision mamba: Efficient visual representation learning with bidirectional state space model. In ICML 2024.

[2] Deng J, Dong W, Socher R, et al. Imagenet: A large-scale hierarchical image database. In CVPR 2009.[3] Lin T Y, Maire M, Belongie S, et al. Microsoft coco: Common objects in context. In ECCV 2014.

[4] Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth 16x16 words: Transformers for image recognition at scale. In ICLR 2021.

[5] Touvron H, Cord M, Douze M, et al. Training data-efficient image transformers & distillation through attention. In ICML 2021.

[6] Liu Z, Lin Y, Cao Y, et al. Swin transformer: Hierarchical vision transformer using shifted windows. In ICCV 2021.

[7] Li Y, Mao H, Girshick R, et al. Exploring plain vision transformer backbones for object detection. In ECCV 2022.

[8] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need. In NeurIPS 2017.

[9] LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition. In Proceedings of the IEEE 1998.

[10] Gu A, Goel K, Ré C. Efficiently modeling long sequences with structured state spaces. In ICLR 2022.

[11] Gu A, Dao T. Mamba: Linear-time sequence modeling with selective state spaces. arXiv preprint arXiv:2312.00752, 2023.

[12] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition. In CVPR 2016.

[13] Nguyen E, Goel K, Gu A, et al. S4nd: Modeling images and videos as multidimensional signals with state spaces. In NeurIPS 2022.

[14] Xiao T, Liu Y, Zhou B, et al. Unified perceptual parsing for scene understanding. In ECCV 2018.

[15] Cai Z, Vasconcelos N. Cascade r-cnn: Delving into high quality object detection. In CVPR 2018.

[16] Liao B, Wang X, Zhu L, et al. ViG: Linear-complexity Visual Sequence Learning with Gated Linear Attention. arXiv preprint arXiv:2405.18425, 2024.

[17] Zhu L, Huang Z, Liao B, et al. DiG: Scalable and Efficient Diffusion Models with Gated Linear Attention. arXiv preprint arXiv:2405.18428, 2024.

[18] Peebles W, Xie S. Scalable diffusion models with transformers. In CVPR 2023.