【Transformer】18、ACMix：On the Integration of Self-Attention and Convolution

一、背景和动机

卷积核自注意机制是两个很有效的特征提取方法，但这两个方法通常被认为是两种不同机制的方法。

卷积方法是对局部进行特征抽取，全局特征共享，自注意力方法是全局像素的权重提取。

本文作者认为这两者有很强的底层关系，所以从大范围上来说，这两者的计算机制是类似的。

之前也有一些工作将这两者进行结合，如：

• SENet，CBAM 等则说明了自注意机制可以对卷积网络模型起到帮助。
• SAN，BoTNet 等使用自注意模型来代替卷积操作
• AA-ResNet，Container 等将两者进行了结合，但两个模块分别使用了不同的 path，所以本质上还是分别使用了两种机制。

所以，两者之间的底层联系其实还没有被完全探索

基于此，作者开始了探索两者之间的关系

分解两者之后，作者认为他们都是依赖于 1x1 卷积的，所以作者提出了一个混合模型——ACMix，将两者结合在一起。

二、方法

1、将输入特征使用 1x1 卷积映射为中间特征

2、将该中间特征分别使用自注意和卷积进行处理

ACMix 的过程如图2c所示：

Stage 1：使用 3 个 1x1 卷积，将输入映射为 3 种不同的特征，并将没种特征切分为 N pieces，此时就得到了 3xN 个中间特征

Stage 2：对 Stage 1 得到的中间特征分别处理

• self-attention path：将中间特征聚合为 N 个组，每个组中包含了 3 个 pieces，每个 pieces 都来自于不同的 1x1 卷积产生的特征。然后将这 3 个 pieces 的特征用作 q、k、v，输入多头自注意模块中。
• convolution path：使用全连接层产生 k 2 k^2 k2 个特征图，然后通过平移和聚合，产生和卷积相同的效果。

最后，使用如下方法聚合两者：

三、效果