Natural Language Processing
Transformer:Attention is all you need URL(46589)2017.6
- 提出Attention机制可以替代卷积框架。
- 引入Position Encoding，用来为序列添加前后文关系。
- 注意力机制中包含了全局信息
- 自注意力机制在建模序列数据中的长期依赖关系方面表现出色，因为它能够在序列中的每个位置上计算所有其他位置的注意力权重，并且能够通过这些权重来捕获全局的语义信息。但其无法显式地建模序列中的局部结构。这意味着自注意力机制在处理某些序列数据时可能会出现一些问题，比如处理具有很强局部结构的序列时可能无法捕获这种结构的信息。
- 详细见transformer
- 【Transformer】10分钟学会Transformer | Pytorch代码讲解 | 代码可运行 - 知乎 (zhihu.com)
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding URL(24662)2018.10
Input/Output Representations
-
采用WordPiece编码，又为了解决前后句子问题，BERT采用了两种方法去解决:
-
在组合的一序列tokens中把**分割token（[SEP]）**插入到每个句子后，以分开不同的句子tokens。
-
为每一个token表征都添加一个Segment Embedding来指示其属于句子A还是句子B。
-
-
在每个序列队首位置添加一个**[CLS]标记，该分类token对应的最后一个Transformer层输出被用来起到聚集整个序列表征信息的作用(在之后的下游**任务中，对于句子级别的任务，就把C输入到额外的输出层中，对于token级别的任务，就把其他token对应的最后一个Transformer的输出输入到额外的输出层)
训练策略
-
Masked Language Model(MLM)改进了原始Transformer在预测时只能获取当前时刻前的信息，通过引入cloze(完形填空)的训练思路，让模型获得双向语言特征(部分语言问题本身需要通过获取双向信息才能达到更好的效果)。
-
Next Sentence Prediction(NSP)，普通MLM任务只是倾向于对每个token层次的特征进行表征，但不能对相关token的句子层次特征进行表示，为了使得模型能理解句子间的关系，采用了NSP任务来进行训练。
具体的做法是：对于每一个训练样例，我们在语料库中挑选出句子A和句子B来组成，50%的时候句子B就是句子A的下一句*（标注为IsNext），剩下50%的时候句子B是语料库中的随机句子（标注为NotNext）*。接下来把训练样例输入到BERT模型中，用**[CLS]对应的C信息**去进行二分类的预测。
Transformer-XL: Attentive Language Models beyond a Fixed-Length Context URL(1103)2019.1
-
Segment-Level Recurrence,对于每个被segment的序列，将前一个序列计算的隐状态序列进行缓存，并利用到当前状态下的前向计算中(可以缓存多个序列)
-
提出相对位置编码：将序列每个位置信息表示为由位置偏移量和时间步数组成的向量，然后映射到固定的维度空间输入到注意力机制中
XLNet: Generalized Autoregressive Pretraining for Language URL (3062)2019.6
-
Permutation Language Modeling(随机置换语言模型)，通过对序列进行permutation，让序列在以AR1模型进行输入的同时具备AE2模型能对上下文信息的优点，但此时位置编码需要修改，从而引入了Two-Stream Self-Attention。
- 由于AR模型在处理序列时只能从左到右或从右到左，即使双向叠加效果也差于BERT，但是BERT的AE模型在推理过程又是看不到的，这导致性能丢失，从而通过PLM来平衡两个步骤。
-
Two-Stream Self-Attention,引入query stream和content stream，其中query stream是用来对随机置换的序列位置进行编码，以此具有位置关系信息。
Computer Vision
VIT:An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale URL (976) 2020.10
-
采用将图片分为多个patch，再将每个patch投影为固定向量作为输入，为了更好的进行下游任务进行图像分类等操作，采用和[BERT](#Input/Output Representations)相似的操作，在输入序列最前面加一个**[CLS]**标记。从而，通过patch embedding将一个视觉问题转换为了一个seq2seq问题。
-
ViT（Vision Transformer）解析 - 知乎 (zhihu.com)
Pyramid Vision Transformer:A Versatile Backbone for Dense Prediction without Convs
[2102.12122] Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions (arxiv.org)
- 利用了progressive shrinking pyramid，可以输出多分辨率的feature map，方便进行更多下游任务,通过人为限制kv的尺寸大小限制计算量
- 使用层级式架构，能输出不同stage后的特征图，方便进行下游任务。
Swin Transformer : Hierarchical Vision Transformer using Shifted Windows URL (351) 2021.3
-
下采样的层级设计，能够逐渐增大感受野，从而使得注意力机制也能够注意到全局的特征
-
滑窗操作包括不重叠的 local window，和重叠的 cross-window。不重叠的local windows将注意力计算限制在一个窗口（window size固定），而cross-windows则让不同窗口之间信息可以进行关联，达到更好的效果。
-
论文详解：Swin Transformer - 知乎 (zhihu.com)
Object Detection
DETR: End-to-End Object Detection with Transformers URL(108) 2020.5
- 绕过proposals、anchors、window center的传统目标检测方法，直接使用transformer的全局注意力实现对目标的预测，避免了一些人为因素影响的先验框。
- 小物体不太好，其运行在分辨率最低的feature map上
- set-based loss(实现端到端),采用匈牙利匹配
- decoder中出现了cross attention，输入包含了object query 以及encoder的输出
- Object queries是一个可学习的向量(num, b,dim)Num是人为给的值，这个东西的作用和cls token类似，也是在整合信息，远大于图片内物体数量。
- end2end 丢弃Transformer，FCN也可以实现E2E检测 - 知乎 (zhihu.com)
- (6) DETR - End to end object detection with transformers (ECCV2020) - YouTube
Deformable DETR: Deformable Transformers for End-to-End Object Detection URL(183)2020.10
- 引入多尺度特征，解决了DETR在小物体上检测的问题。
Footnotes
AutoRegressive language model ↩︎
AutoEncoder language model ↩︎
