当前位置：首页 > news >正文

Efficient Non-Local Transformer Block: 图像处理中的高效非局部注意力机制

news 来源：原创 2025/6/21 8:36:45

Efficient Non-Local Transformer Block: 图像处理中的高效非局部注意力机制

随着深度学习的发展，Transformer 模型已经在自然语言处理和计算机视觉领域取得了巨大成功。然而，传统的自注意力机制计算复杂度较高，不利于实时图像处理任务的部署和应用。为此，研究者们提出了各种改进方法，其中一种高效的解决方案是引入非局部注意力（Non-Local Attention）机制。本文将详细介绍基于高效非局部注意力的 Transformer Block （ENLTB）的设计与实现，并通过代码示例展示其具体应用。

一、传统注意力机制的局限性

传统的自注意力机制通过计算特征图中所有位置之间的关系来捕捉长距离依赖，但这种全局关系计算的复杂度很高。对于大小为 (H \times W) 的图像和通道数为 (C) 的特征图，自注意力机制的时间复杂度为 (O(H^2 W^2 C))，随着输入规模的增大，计算量指数级增长。

为了降低计算复杂度，研究者提出了多种轻量化的方法，其中之一便是非局部注意力（Non-Local Attention）机制。这种机制通过降维技术减少特征图的空间维度或通道维度，从而在保持模型性能的同时显著降低了计算开销。

二、Efficient Non-Local Attention (ENLA) 的实现

在 ENLTB 中，我们实现了高效的非局部注意力机制（ENLA），其核心思想是通过卷积操作降维特征图的空间维度或通道维度。具体的实现步骤如下：

特征提取与降维
使用浅层的卷积网络对输入特征进行降维处理。通过降低空间分辨率或通道尺寸，减少后续注意力计算中的参数数量。
自相似度计算
对降维后的特征图计算每个位置与其他所有位置之间的相似度矩阵（Correlation Matrix）。相似度的计算可以采用点积或其他非线性变换。
聚合与重加权
根据相似度矩阵对原始特征进行加权求和，生成聚合特征。然后将这些聚合特征与降维后的特征图结合，得到最终的注意力输出。

通过上述步骤，ENLA 在保持模型性能的前提下，显著降低了计算复杂度。

三、ENLTB 模块的设计

ENLTB（Efficient Non-Local Transformer Block）模块是我们提出的基于非局部注意力的高效Transformer 块。其主要组成部分包括：

1. 卷积匹配网络 (CNN Match Net)

为了降低注意力计算的复杂度，我们在 ENLA 前引入了两个浅层卷积网络：conv_match1 和 conv_match2。这两个卷积网络分别提取输入特征图的空间和通道维度上的全局信息，并输出低维的匹配特征。

2. Layer Normalization

在计算非局部注意力之前，我们对匹配后的特征进行Layer Normalization（LayerNorm），以确保模型的稳定性并加速训练过程。

3. 非局部注意力机制 (ENLAtten)

基于降维后的匹配特征图，计算相似度矩阵、聚合特征和重加权特征。最后将这些特征结合原始特征生成最终的注意力输出。

4. 前馈网络 (MLP)

为了进一步增强模型的表现能力，在非局部注意力之后引入了一个轻量级的前馈网络（MLP）。MLP 包含两个全连接层，并通过ReLU激活函数提升特征表达能力。

四、代码实现解析

以下是 ENLTB 模块的核心代码实现。我们以 PyTorch 为例，展示了主要模块的设计：

import torch
import torch.nn as nn
import torch.nn.functional as Fdef default_conv(in_channels, out_channels, kernel_size, stride=1, padding=0):return nn.Conv2d(in_channels,out_channels,kernel_size,stride=stride,padding=padding,bias=False)class ENLAtten(nn.Module):def __init__(self, channels=64, reduction=8):super(ENLAtten, self).__init__()# 卷积操作，降维通道数self.channels = channelsself.reduction = reduction# 轻量级卷积网络用于特征提取和降维self.conv_match1 = default_conv(channels, channels//reduction, 1)self.conv_match2 = default_conv(channels, channels//reduction, 1)self.pool = nn.AdaptiveAvgPool2d(1) # 全局平均池化# 线性变换，用于计算相似度矩阵和重加权特征self.linear = nn.Linear((channels//reduction)**2, channels)def forward(self, x):b, c, h, w = x.size()# 特征提取和降维match1 = self.conv_match1(x).view(b, -1)  # (b, c//r)match2 = self.conv_match2(x).view(b, -1)  # (b, c//r)# 全局池化生成位置无关的特征向量pooled_x = self.pool(x).view(b, c)  # (b, c)# 计算相似度矩阵similarity = torch.mm(match2, match1.t()) / math.sqrt(c//self.reduction)  # (b, b)# 加权求和得到响应特征response = torch.sum(similarity * pooled_x.unsqueeze(0), dim=1).view(b, 1, h, w)# 重加权特征与原始特征结合生成注意力输出attn = F.softmax(response, dim=1) * x# 使用MLP进一步增强特征表达能力out = self.linear((attn.view(b, -1)).permute(1, 0).contiguous()).view(b, c)return outclass ENLTB(nn.Module):def __init__(self, in_channels=64, out_channels=64):super(ENLTB, self).__init__()# Non-local attention模块self.enl = ENLAtten(in_channels)# 前馈网络self.mlp = nn.Sequential(nn.Linear(out_channels, out_channels//2),nn.ReLU(inplace=True),nn.Linear(out_channels//2, out_channels))def forward(self, x):enl_out = self.enl(x)mlp_input = torch.cat([enl_out, x], dim=1)mlp_output = self.mlp(mlp_input)return mlp_output