论文：RMT: Retentive Networks Meet Vision Transformers - AMiner

摘要

这篇论文探讨了将Retentive Network（RetNet）的概念引入到计算机视觉领域，并与Vision Transformer结合，提出了一种新的模型RMT（Retentive Networks Meet Vision Transformers）。RetNet最初在自然语言处理（NLP）领域展现出色性能，作者们提出疑问，是否将RetNet的思想迁移到视觉领域也能带来卓越的性能。RMT通过引入与空间距离相关的显式衰减机制，为视觉模型带来了空间先验知识。此外，为了降低全局建模的计算成本，作者们沿图像的两个坐标轴分解了建模过程。大量实验表明，RMT在多种计算机视觉任务上表现出色，例如，在ImageNet-1k数据集上达到了84.1%的Top1准确率，且计算量仅为4.5G FLOPs。

拟解决的问题

 Transformer架构虽然在计算机视觉任务中表现出色，但RetNet在NLP任务中展现出更强的性能，这激发了作者们探索将RetNet迁移到视觉任务的可能性，以期提高视觉模型的性能。

创新之处

1. 提出了Retentive Self-Attention（ReSA）机制，将空间距离相关的先验知识引入到视觉模型中。
2. 通过沿图像的两个坐标轴分解ReSA，降低了计算复杂度，同时最小化了对模型性能的影响。

方法论

RMT的整体架构与传统的backbone相似，分为四个阶段。前三个阶段使用分解的ReSA，最后一个阶段使用原始的ReSA。此外，模型中还整合了条件位置编码（CPE）。

Retentive Network（RetNet）

在RetNet中，这种记忆机制是通过一种特殊的“保留”操作来实现的。我们可以把这种操作想象成一个过滤器，它允许网络在考虑每个数据点（在NLP中是单词，在图像中是像素）时，给予它们周围邻近数据点不同级别的重视。

保留机制是RetNet的基础，它通过引入衰减系数来控制每个token对其邻近token的关注程度。这种衰减是根据token之间的距离来确定的，距离越远，注意力权重越小。

保留操作的数学表达式可以写为：

其中，是第n个token的输出，𝑄、𝐾、𝑉分别是查询（Query）、键（Key）和值（Value）矩阵，𝜃θ是角度参数，​是衰减系数，它取决于token n和m之间的距离。 

衰减系数用于控制序列中不同位置token之间的注意力权重。在RetNet中，衰减系数通常设计为随着token间距离的增加而指数级减少，从而引入了一维距离的先验知识。

并行训练中，保留操作为：

其中𝑋是输入序列，⊙表示Hadamard积。 

相比于传统的Transformer模型，RetNet通过引入显式的衰减机制，能够更好地捕捉序列数据中的长距离依赖关系，从而在多种NLP任务中取得了更强的性能。

Retentive Self-Attention (ReSA)

ReSA机制考虑了图像中像素（或称为tokens）之间的空间距离。与传统的Transformer模型不同，ReSA允许模型根据像素之间的距离来调整它们之间的相互影响。距离较近的像素会有更强的相互关系，而距离较远的像素则关系较弱。

​：衰减矩阵，其元素根据像素对之间的二维空间距离计算。 

衰减矩阵是根据像素之间的曼哈顿距离来计算的，其元素定义如下：

其中：

Decomposed ReSA

为了降低计算成本，特别是在图像的早期阶段，ReSA可以沿图像的两个轴（水平和垂直）分解。分解的ReSA可以分别计算行和列方向上的注意力，公式如下：

 和：分别代表行和列方向上的注意力机制。

Local Enhancement Module

为了增强局部特征的表达能力，ReSA还包括一个局部增强模块，通常使用深度卷积（DWConv）来实现。最终的输出可以表示为：

LCE(X)：局部增强模块的输出。

总的来说，ReSA是一种结合了空间距离先验知识的注意力机制，它通过调整像素之间的注意力权重，提高了模型对局部特征的敏感度，从而在视觉任务中取得了更好的性能。 

结论

RMT模型通过引入显式的空间距离衰减，有效地提高了视觉模型的性能，尤其是在下游任务如目标检测、实例分割等领域展现出显著的优势。