本文总结CVPR2022的oral文章《MetaFormer Is Actually What You Need for Vision》。该文章研究了ViT结构和类MLP结构的模型，将两者中相同的部分提取出来，组成了MetaFormer结构，并指出两者的性能都得益于MetaFormer结构，接着在此基础上提出了PoolFormer结构。
上图左侧为MetaFormer结构，MetaFormer中的Token Mixer模块用于混合多个token之间的信息。该模块在类ViT结构的模型中对应为Attention模块（例如DeiT），而在类MLP结构的模型中对应SpatialMLP模块（例如GMLP、ResMLP）。
作者指出MetaFormer结构为类ViT和类MLP模型性能的主要来源，为了验证这一点，作者将MetaFormer结构中的Token Moixer模块替换为恒等映射（其实就是一个大卷积模型，一个单通道的大卷积处理一个特征图（token）），模型在ImageNet上的top-1准确率仍可达 74.3%。
此外，作者通过实验发现去除Norm、Channel MLP、Shortcut中的任意一个模块，模型均难以收敛，由此验证了MetaFormer中的结构缺一不可。
作者在MetaFormer的基础上引入了PoolFormer结构，PoolFormer通过平均池化融合多个Token之间的信息，相比于Attention和SpatialMLP，池化操作不会引入额外的参数，并且计算量更小。PoolFormer的结构如下图所示：
其中Pooling操作的Pytorch代码如下
注意到池化操作后有一个减法操作，作者的解释（见上图注释）我并不是很认可，这个操作更像是个trick，但是我没有在文章中找到去除这个减法操作后模型的性能变化情况。
PoolFormer在ImageNet上的准确率如下图所示，所有模型都没有使用pretrain的权重
个人思考详见上一篇博文，文章中还有目标检测等任务的实验结果，现在做backbone是越来越卷。
