论文：https://arxiv.org/pdf/2405.07992

代码：https://github.com/yuweihao/MambaOut

1 背景

在现实中，基于SSM的视觉模型与最先进的卷积模型和基于注意力的模型相比，性能欠佳。这就产生了一个研究问题：在视觉中我们是否真的需要Mamba？

在本文中，作者研究了Mamba的性质，并从概念上总结了Mamba适合任务的两个关键特征：长序列和自回归，这是因为SSM固有的RNN机制。不幸的是，同时具备这两种特性的视觉任务不多。例如ImageNet上的图像分类不符合，而在COCO上的目标检测和实例分割以及ADE20K上的语义分割只符合长序列。另一方面，自回归特性要求每个token仅从之前和当前token中聚合信息，这一概念被称为token混合的因果模式。事实上，所有的视觉任务都属于理解域而非生成域，这意味着模型可以同时看到整幅图像。因此在视觉识别模型中对token混合施加额外的因果约束可能会导致性能下降。虽然该问题可以通过双向分支来缓解，但不可避免的是该问题在每个分支内持续存在。

基于以上的概念性讨论，作者提出如下两个假设：

• 假设1：SSM对于图像分类时没有必要的，因为这项任务既不符合长序列特征，也不符合自回归特征。

• 假设2：SSM对于目标检测、实例分割以及语义分割可能是有益的，因为他们遵循长序列特征，尽管他们不是自回归特征。

为了实验假设，作者通过堆叠门控CNN块开发了一系列名为MambaOut的模块。Gated CNN和Mamba block的关键区别在于SSM的存在，如图1（a）所示。实验结果表明，更简单的MambaOut模型在现实中的表现已经超过了Vision Mamba模型的表现，进而验证了假设1。同时，MambaOut在检测和分割任务中的表现不足与最先进的视觉Mamba模型相匹配。这强调了SSM在这些任务上的潜力，并有效的验证了假设2。

2 创新点

• 分析了SSM的类RNN机制，并从概念上总结出Mamba适用于具有长序列和自回归特性的任务。

• 考察了视觉任务的特征，并假设SSM在ImageNet上进行图像分类时不必要的，因为该任务不满足任何一个特征，但探索出SSM在检测和分割任务重的潜力仍然是具有价值的。

• 基于Gated CNN模块开发了一系列名为MambaOut的模型。

3 方法

与ResNet类似，MambaOut采用4阶段的分层架构。$D_i$ 表示第 $i$ 阶段的通道尺寸。其中，Gated CNN块与Mamba块的区别在于Gated CNN块中没有SSM (状态空间模型)。

Gated CNN块的代码：

4 模块

4.1 Mamba适合什么任务

Mamba的token混合器是选择性SSM，它定义了四个与输入相关的参数 $(\Delta ,A,B,C)$，并将他们转换为 $(\overline{A},\overline{B},C)$:

SSM的序列到序列的变换可以表示为：

其中， $t$ 表示时间步长，$x_t$ 表示输入，$h_t$ 表示隐藏状态，$y_t$ 表示输出。方程2的循环性质将类RNN的SSM与因果注意力区分开。隐藏状态 $h$ 可以看作是一个固定大小的存储器，存储了所有的历史信息，通过方程2，该记忆在保持大小不变的情况下更新，固有的大小意味着存储器与当前输入集成的计算复杂度保持恒定。相反，因果注意力存储了来自之前token的所有键值作为他的记忆，它通过在每个新输入中添加当前token的键值来扩展，这种存储器理论上是无损的，然而随着输入的token越来越多，内存大小也越来越大。图2进一步说明了类RNN模型和因果注意力在机制上的差异。

由于SSM的记忆本质上是有损的，因此在逻辑上不及注意力的无损记忆。因此Mamba无法展示其在处理短序列方面的优势。然而在涉及长序列时，注意力会由于其二次复杂度而变得不稳定。这种情况下，Mamba可以明显的突出他的效率，因此Mamba特别适合处理长序列。

虽然SSM的循环性质（方程2）使得Mamba可以搞笑的处理长序列，但它引入了一个显著的限制：$h_t$ 只能访问上一时间步和当前时间步的信息。如图3所示，这种类型的token混合被称为因果模式，可以表述为：

其中，$x_t$ 和 $y_t$ 分别表示第 $t$ 个token的输入和输出。由于其因果性质，这种模式非常适合自回归生成任务。

另一种模式称为完全可见模式，其中每个token可以聚合所有前序和后序令牌的信息。这意味着每个输出token取决于所有输入token：

其中，$T$ 表示token总数。完全可见模式适用于理解任务，其中所有输入都可以被模型一次性访问。

注意力默认处于完全可见模式，但通过在注意力图中应用因果掩码，注意力很容易转变为因果模式。类RNN模型由于其循环特性，本质上是因果模式。由于这种固有特性，类RNN模型无法转化为完全课件模式。虽然使用双向分支可以近似一个完全可见的模式，但每个分支仍然单独地保持因果关系。因此Mamba由于其循环属性的固有限制，非常适合于需要因果token混合的任务。

综上所述，Mamba非常适合表现出以下特征的任务：

• 特征1：任务涉及处理长序列

• 特征2：任务需要因果token混合模式

4.2 视觉识别任务是否有很长的序列

考虑一个Transformer模块，其公共MLP比例为4；假设其输入 $X\in R^{L\times D}$ 的令牌长度为 $L$ ，通道维数为 $D$ ，则该块的FLOPs可计算为：

由此，推导出了 $L$ 的二次项与线性项的比值：

当 $L>6D$ 时，$L$ 中二次项的计算量超过线性项的计算量。这为判断任务是否涉及长序列提供了一个简单的衡量标准。例如，在ViT - S的384个通道中，阈值 ${\tau }_{small}=6\times 384=2304$；在ViT - B的768个通道中，阈值 ${\tau }_{base}=6\times 768=4608$。

对于ImageNet上的图像分类，典型的输入图像大小为 $224^2$，产生 $14^2=196$ 个 token，块大小为 $16^2$。显然 196远小于 ${\tau }_{small}$ 和 ${\tau }_{base}$，这表明ImageNet上的图像分类不适合作为长序列任务。

对于COCO上的目标检测和实例分割，其推理长度为 800 × 1280，对于ADE20K上的语义分割，其推理图像大小为512 × 2048，token数量约为4K，给定块大小为 $16^2$。由于 $4K>{\tau }_{small}$ 和 $4K\approx {\tau }_{base}$，COCO上的检测和ADE20K上的分割都可以被认为是长序列任务。

4.3 视觉任务是否需要因果token混合模式

如图3所示，完全可见的token混合模式允许不受限制的混合范围，而因果模式则限制当前token只能从前一个token中获取信息。视觉识别被归类为理解任务，其中模型可以一次性看到整个图像，从而消除了对标记混合的限制。对token混合施加额外的约束可能会降低模型性能。如图3 ( b )所示，当对ViT施加因果限制时，观察到性能显著下降。 一般而言，完全可见模式适合于理解任务，而因果模式更适合于自回归任务。这一说法也可以通过观察得到证实，BERT和ViT( BEiT 和MAE )比GPT-1/2和图像GPT更多地用于理解任务。因此，视觉识别任务不需要因果标记混合模式。

4.4 关于Mamba对于视觉的必要性假设

基于前面的讨论，作者总结了关于在视觉识别任务中引入Mamba的必要性的假设如下：

• 假设1：不需要在ImageNet上引入SSM进行图像分类，因为该任务不满足特征1或特征2。

• 假设2：尽管这些任务不满足特征2，但仍然值得进一步探索SSM在视觉检测和分割中的潜力，因为这些任务符合特征1。

5 效果

在图像分类上的效果。

在目标检测和实例分割上的效果。

在语义分割上的效果。