ICCV 2023 | token过度聚焦暴露注意力机制弱点,两种模块设计增强视觉Transformer鲁棒性

2023-08-18 15:57 460 阅读 ID:1350
将门
将门

本文针对视觉Transformer中的token overfocusing问题进行了研究,即其自注意力机制过度依赖少数重要token,在存在扰动的情况下往往会产生高度分散的注意力模式。为了解决这个问题,本文提出了两种通用技术:Token-aware Average Pooling 模块和 Attention Diversification Loss。实验表明,本文方法应用到各种网络上,在不同 benchmark 和学习任务上获得了显著的鲁棒性提升。目前,该工作已发表在 ICCV 2023,为提升 ViT 的鲁棒性提供了有效途径。

论文链接:

https://arxiv.org/abs/2303.11126

一、背景介绍

视觉Transformer(Vision Transformer,ViT)在图像分类等任务中表现出色,但在面对常见的图像扰动(如噪声或模糊)时,其性能会显著下降。为此,来自马克思普朗克研究所的研究者对ViT的关键组成部分——自注意力机制进行研究分析,发现当前的视觉transformer模型在自注意力机制中存在"token overfocusing"的问题,即注意力机制过度依赖于少数重要token。然而这些token对图像扰动非常敏感。为提高模型的鲁棒性,研究人员提出了两种通用技术:Token-aware Average Pooling(TAP)和Attention Diversification Loss(ADL)。所提出的方法可以应用于大多数Vit架构之上,在几乎不增加训练开销的情况下大大提升了分类精度和鲁棒性。此外,这种改进也可以很好地推广到其他下游任务,例如语义分割。本工作发表在ICCV 2023,为提升ViT的鲁棒性提供了有效途径。

二、注意力机制中的Token Overfocusing现象

以最近的FAN架构为例,本文将FAN最后一层的注意力可视化为注意力矩阵。第i行表示第i个输出token“关注”哪些输入token (列)——红色越深表示注意力得分越高。对于多头自注意力则通过对注意力头进行平均来可视化该矩阵。

由下图可观察到,列方向上的注意力通常非常稀疏,这意味着大多数输入token没有被关注到,并且每个输出token只关注相同的少数重要输入token。本文将这种现象称为Token Overfocusing。然而,当面对高斯噪声等干扰时,会导致模型注意力完全转移到其他不同的token(图1,第二列)。这可以理解为原始token没有捕捉到稳定的信息。进一步定量分析发现,同一幅图像的干净版本和加入高斯噪声的版本之间的注意力图的余弦相似度非常低,即同一图像输入,注意力变化非常剧烈。这说明标准的自注意力机制对输入扰动极为不稳定。作者发现这种现象存在于各种架构中,包括DeiT和RVT,并且还出现在语义分割等模型中。

图1. 通过可视化角度观察模型对抗扰动图像的稳定性(左图为196×196的注意力矩阵可视化,右图为干净示例与扰动示例之间的注意力余弦相似度可视化)

三、解决思路与技术方案

为解决Token Overfocusing问题,本文提出了两个通用技术用于提高注意力机制的稳定性和鲁棒性:

  1. 提出Token-aware Average Pooling (TAP),通过学习每个token的pooling区域,让更多token参与注意力计算。
  2. 提出Attention Diversification Loss (ADL),最大化不同token间的注意力向量差异,提高多样性。

3.1 Token-aware Average Pooling鼓励更多token参与

该方法试图鼓励更多的输入token参与自注意力机制,即在注意力图中获得更多具有高得分的列。为此,本文鼓励每个输入token从其局部邻域显式地聚合有用的信息,以防该token本身不包含重要信息。如下表所示,在自注意力之前引入任何局部聚合都能一致地提高鲁棒性(参见表1最后一列)。这些方法对所有token应用了固定的卷积核或池化区域。然而,token通常彼此不同,每个token都应该需要一个特定的局部聚合策略。因此本文采用自适应方式选择正确的邻域大小和聚合策略

                                             表1. 基于FAN-B-Hybrid的局部聚合方法比较

基于上述想法,作者提出Token-aware Average Pooling(TAP)模块,使每个token能够选择适当的区域进行局部聚合。具体而言,TAP对每个token进行平均池化,并自适应地调整池化区域。如图2所示,TAP利用多分支结构,在多个分支上进行加权求和,每个分支具有特定的池化区域。与简单地改变卷积核大小类似,TAP通过改变扩张率来调整池化区域。这背后的主要观察是,没有扩张的大卷积核的平均池化将导致相邻池化区域之间的重叠非常大,从而导致输出token中的严重冗余。例如,在表1中可以看到,AvgPool5x5会导致准确率约1.2%的大幅下降。

                                  图2. 提出的Token-aware Average Pooling模块 (左)和整体架构(右)

3.2 Attention Diversification Loss提高注意力多样性

该方法旨在改善输出token之间的注意力多样性,即鼓励图1中的不同行对应不同的输入token。基于该目标,本文提出了一种注意力多样化损失(ADL),以减小不同输出token(行)之间的注意力的余弦相似度。

实现该目标面临两个问题:

(1)直接计算的余弦相似度无法准确反映注意力差异

例如,当两行(即输出token)具有非常不相交的注意力模式时,期望其余弦相似度接近0,即较低的相似度。然而,即使对于没有被关注的token,注意力得分也不会为零。对于较大的N,计算点积并将这些值相加往往会导致余弦相似度显著大于零。

(2)两两计算余弦相似度复杂度高

为缓解上述问题,ADL采取以下策略

四、实验评估

本文在图像分类和语义分割任务上验证了所提出的方法的有效性。

4.1 图像分类结果

本文基于两个最先进的鲁棒性架构RVT和FAN(使用‘’Base‘’模型大小,即RVT-B和FAN-B-Hybrid)构建了本文的方法,与多个鲁棒性baseline在ImageNet图像分类任务上进行了评估。实验证明,无论是单独使用TAP或ADL还是联合使用两者,本文方法都能有效提高模型的鲁棒性,联合使用两者则可以产生更佳效果。

                                                  表2. 将TAP和ADL应用于不同架构上的实验结果

(1)在ImageNet上的对比

相较于RVT和FAN两个强baseline,本文方法在ImageNet-C上的鲁棒性提高>2.1%,并且在其他鲁棒性Benchmark(包括ImageNet-A/R/SK)上也有类似的提高。在ImageNet上的分类准确率同样得到了提高。此外,本文还基于FAN-B-Hybrid模型分析了本文方法对ImageNet-C上不同类型扰动的鲁棒性。从下表可以看出,本文最佳模型(+TAP&DAL)对抗各种噪声扰动尤其有效,特别是在高斯噪声上,其mCE下降了6.25%。这充分证明了方法通过提高注意力机制的鲁棒性,可持续增强不同Vit对各类扰动的对抗能力。

                     表3. 基于FAN-B-Hybrid模型在ImageNet-C各个corruption类型上的corruption error

(2)注意力稳定性和可视化结果

注意力稳定性分析: 下图可视化了当面临图像扰动(例如高斯噪声)时注意力的变化。在各示例中,基准模型存在严重的token overfocusing问题,并且在面临扰动时产生了明显的注意力转移。应用TAP后,模型将注意力分配给了周围更多的token,在一定程度上缓解了token过度聚焦问题。然而,仍然可观察到干净示例和扰动示例之间的注意力转移。应用ADL训练模型时,注意力呈现对角线模式,类似残差结构,令token既保留自身信息又聚合周围信息,大幅提升了相似图像间注意力图的稳定性。当将TAP和ADL结合在一起时,模型进一步鼓励对角线模式在局部区域内扩展,使得token将更多地关注自身之外的邻域,从而获得更强的特征。本文通过计算整个ImageNet上干净示例和扰动示例之间的注意力余弦相似度来定量评估注意力的稳定性。结果显示,加入本文方法的模型大幅提升了相似度分数,表明本文方法可有效提高注意力的稳定性。

                                                                图3. 不同模型的注意图比较

每个head的注意力和注意力多样性分析:下图展示了每个head的注意力图,可见,基准模型各head之间注意力高度相似,多样性极低。相比之下,本文方法各head可以产生明显不同的注意力模式,只有2个head呈现对角线模式,其他head则具有全局范围的注意力。这种结合局部和全局过滤器的设计提高了head间的注意力多样性。定量结果也证实,本文方法可以大幅降低不同head间的相似度,即增加多样性。

                                                     图4. 最后一层不同head的注意力图

4.2 语义分割结果

本文接着验证了提出的方法在语义分割上的泛化能力。在Cityscapes数据集上训练模型,并在包含不同扰动类型的Cityscapes-C和包含多种不利条件下街景图像的ACDC上评估鲁棒性。实验采用与SegFormer相似的设置。结果表明,本文的TAP和ADL技术可以很好的泛化至分割任务,并显著提升了鲁棒性。

定量对比: 如下表所示,在Cityscapes和ACDC数据集上,单独使用TAP或ADL即可获得显著提升,联合使用两者效果更佳,在Cityscapes-C和ACDC上mIoU分别提升2.4%和3.1%。同时在干净Cityscapes图像上mIoU也获得0.5%的改进。与主流分割模型相比,本文的最佳模型也展现出了明显优势。这些结果表明,所提出的两种技术不仅适用于图像分类,而且在语义分割任务中也具有很好的泛化性能。

                表4. 各语义分割模型在Cityscapes验证集、Cityscapes-C和ACDC测试集上的分割mIoU对比

视觉对比: 在存在雪天扰动时,基准模型无法检测到部分道路区域。而在夜间条件下,基准模型将汽车的一部分识别为骑车者,并且预测结果存在许多伪影。相比之下,本文方法在这些情况下都展现出更强的鲁棒性,可准确检测关键目标。

                                                               图5. 分割结果的视觉对比

五、分析与讨论

应用于不同架构的有效性: 除了RVT和FAN之外,本文方法对其他Transformer架构也具有很好的适用性。在DeiT和Swin Transformer上应用本文方法,同样可以获得显著的鲁棒性提升和准确率改进。

                                             表5. 将TAP和ADL应用于不同架构上的实验结果

超参数 K 和 λ 的影响: TAP模块中的分支数K决定了每个token可以融合信息的池化区域大小种类, K 值越大则可以融合更多样化的局部信息来提高鲁棒性,但过大会增加模型负担。较大的权重 λ 可以增强ADL的作用,即更强力地鼓励模型进一步提高注意力多样化,但是 λ 太大会抑制标准训练损失,导致模型训练效果下降。如图6所示,当只引入TAP时,随着 K 值的增加,本文模型始终优于基准模型,并在 K = 4 时取得最佳结果;当只使用ADL时,可以观察到太小或太大的 λ 会降低本文方法的效果。经验证明,设置 K=4 和 λ=1 可以在保证鲁棒性的同时,使额外计算和内存成本最小。

                                                  图6. 不同 K 和 λ 设置对模型鲁棒性的影响

六、结论

本文针对视觉Transformer中的token overfocusing问题进行了研究,即其自注意力机制过度依赖少数重要token,在存在扰动的情况下往往会产生高度分散的注意力模式。为此,本文提出两种通用技术:(1)Token-aware Average Pooling模块通过为每个token学习自适应的平均池化方案,使局部邻域token参与到自注意力机制中;(2)Attention Diversification Loss明确减小不同token间注意力的余弦相似度。实验表明,本文方法应用到各种网络上,在不同benchmark和学习任务上获得了显著的鲁棒性提升。

作者:国雍

来源:公众号【PaperWeekly】

免责声明:作者保留权利,不代表本站立场。如想了解更多和作者有关的信息可以查看页面右侧作者信息卡片。
反馈
to-top--btn