论文：【AAAI2023】Head-Free Lightweight Semantic Segmentation with Linear Transformer

代码：https://github.com/dongbo811/AFFormer

这是来自阿里巴巴的工作，作者构建了一个轻量级的Transformer网络用于语义分割，主要有两点创新：1、用prototype representation作为可学习的局部描述代替decoder；2、构造了自适应频率滤波模块提取频率信息。

网络整体架构如下图所示，包括四个阶段，每个阶段包括 prototype learning (PL) 和 Pixel Descriptor (PD)。我的理解是： （1）PL 将 $F\in {\mathbb{R}}^{H\times W\times C}$通过 clustering 变为 $G\in {\mathbb{R}}^{h\times w\times C}$，这样可以显著降低计算量（但是 H 和 h 的比例关系，我没有看到，实验里也没有分析）。同时，聚类是在 3x3 的邻域里实现的。接着 $G$ 输入Adaptive Frequency Transformer 的模块计算得到$G^{\prime }$；（2）PD 是CNN网络，用于将$G^{\prime }$恢复到输入大小。（但是PD的具体细节，论文里没有介绍）

该方法的核心在于Prototype Learning 中的 Adaptive Frequency Filter，结构如下图所示。相当于改变了self-attention 中QKV 的计算方式。有三个分支，计算的结果最后直接相加。

（1）Frequency similarity kernel. 作者描述是计算的 K 和 V 之间的相似性，使用一个 linear layer 对 K 和 V 进行降维，然后应用 Softmax 。（图里描述是分了H个组，相似性矩阵大小为 (C/H)x(C/H)，但是H这个参数具体取的多少论文里没有介绍）

（2）Dynamic low-pass filters. 作者应用 average pooling 取代 low-pass filter。将V分为 m 组，每组特征进行均值池化，然后使用 bilinear pooling 进行恢复。（这个地方我有些疑问，这一步没有参数）

（3）Dynamic high-pass filter. 作者将 V 分为 n 组，每组应用$k\times k$ 的 depth-wise conv 。同时，作者还将结果与 Q 做 Hadamard 积来抑制高频部分。

最后，三部分计算的结果直接相加，得到AFF模块的最终输出。

实验上，该方法对标的是SegFormer，有明显的性能提升。

个人感觉可以受限于AAAI论文篇幅不能过长，有一些细节需要讨论：

• 有几个参数没有介绍与分析（PL第一步将特征从F转化为G时，下采样的倍率；AFF里面的H、M、N等）
• 题目里的 head-free 应该指的是没有 decoder 吧，因为不专业做语义分割，不是特别清楚