正面刚CNN，Transformer居然连犯错都像人类

 本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

这是你眼里的一只猫：

这是CNN眼里的一只猫：

这是ViT (Vision Transformer)眼里的一只猫:

从去年起，Transformer忙着跨界CV，如ViT在图像分类上准确率已超过CNN，大有取代之势。

这背后的原因是什么？

最近普林斯顿的一项研究认为，Transformer的运作方式更接近人类，连犯错的方式都和人类一样。

研究团队在图像分类的准确率之外，增加了对错误类型的分析。

结果发现，与CNN相比，ViT更擅长判断形状。

此前在ICLR2019上发表的一篇论文提出，用ImageNet训练的CNN模型更倾向于通过纹理分类图像。

如下图中混合了大象皮肤纹理的猫被判断成了大象。

虽然说这更可能和ImageNet的数据纹理信息更丰富有关。

但ViT模型，使用相同数据集训练，就倾向于通过形状分类图像，并且表现比CNN更好。

用形状分类物体也是人类的倾向。不信的话，试试回答下图的问题：右面的三个物体中哪个与左边的是同类？

这意味着，使用ViT不仅能建立更高效的视觉神经网络，甚至对理解人类视觉的运作方式都有帮助。

这么神奇？

下面来看看CNN与Transformer与人脑的联系分别在哪里。

CNN：从猫身上获得灵感

大脑的不同区域对视觉信息有不同的处理方式，CNN主要模仿的是“腹侧流 (Ventral Stream)”在物体识别、分类上的运作方式。

1981年获得诺贝尔生理和医学奖，由神经科学家Hubel和Wiesel发现猫的视觉皮层中有简单细胞和复杂细胞两种。

每个简单细胞对一个特定角度的长条物体反应最强烈，而复杂细胞接受许多个简单细胞传出的信号，就能做到将不同角度的长条物体识别成同一个。

在CNN中，这两种细胞的工作被分配给了卷积层和池化层。

卷积层中的神经元像简单细胞一样，仅和上一层的部分区域相连接，学习局部特征。

而最大池化 (Max Pooling)操作就是模仿复杂细胞，对简单细胞中信号最强的作出反应。

这就是CNN从动物视觉中学到的第一个重要特性“局部连接”。

在卷积层和池化层中使用局部连接，仅在最后输出结果前加入全连接层，使CNN获得了“平移不变性”。

也就是把图像稍微挪动位置，也可以识别成相同的特征。

另外，与全连接的神经网络相比，局部连接的方式还大大减少了需要的参数量，降低训练成本。

为了进一步节省资源、提高效率，CNN在此基础上发展出另一个特性“权重共享”。

隐藏层中的每个神经元都使用相同的过滤器，也就是卷积核。

就像这样：

卷积核中的相同的参数使用在每一次卷积操作中，进一步降低了需要的参数量。

不过，与生物视神经的不同之处也随之出现了。

ViT: 拥有多个注意力中心

让我们再来看看人眼的注意力机制。

人是不能同时看清视野左右两端边缘上的物体的。

当你把目光聚焦到一边时，另一边只能模糊地感觉到有无物体存在，看不清具体的形状或颜色。

不信的话现在就可以试一试。

这是因为感光细胞在视网膜上的分布并是不均匀的。

人眼的感光细胞分为视杆细胞(Rods)和视锥细胞(Cones)两种。

视杆细胞主要负责感知光的亮度，不能很好地分辨细节。

而在光亮度足够时能分辨颜色和形状的视锥细胞，集中分布在视网膜中心处。

只有在目光聚焦的位置上可以看清细节，所以我们观察时要不停地转动眼球，将目光聚焦在视野上的不同位置，这就产生了注意力机制。

不过比人眼更先进的是，神经网络可以拥有多个注意力，被称为多头注意力(Multi-Head Attention)机制。

一句话是一个序列

在NLP任务中，Transformer将文本作为一个序列来处理。

有了注意力机制，就可以在长序列中注意到每个词与其他词间的关系，实现上下文关联的机器翻译。

一张图也是一个序列

谷歌大脑团队进一步提出，图像在分解成小块之后，再配合位置编码，也可以当作一个序列来处理。

就像在NLP领域Transformer可以有效注意到一个词与上下文的关系一样，在CV领域也可以汇总图像的全局特征进行学习。

用于图像分类的ViT就此诞生，开启了Transformer的跨界刷屏之旅。

犯错的方式都和人一样

在普林斯顿大学对比CNN和ViT的这篇论文中，还建立了错误一致性这个指标来对各个模型进行评判。

从WordNet中选取了16个概念(如飞机、熊、键盘等)来衡量CNN和ViT犯错的类型。

从结果可以看出，ViT和人类一样，更倾向于通过形状判断物体。

未来趋势

ViT问世之初来势汹汹，以至于很多人都在问，注意力机制这是要取代卷积吗？

从最近的趋势看来，Transformer在CV领域的应用，反倒是刺激了二者的结合和统一。

卷积擅长提取细节，要掌握全局信息往往需要堆叠很多个卷积层。

注意力善于把握整体，但又需要大量的数据进行训练。

如果把两者结合起来，是不是能够取长补短？

把注意力引入CNN的有谷歌推出的BoTNet就是简单把ResNet的最后瓶颈块中的3x3卷积替换成全局自注意力，没有别的改变，就在减少开销的情况下提高了性能。

之后麦吉尔大学和微软又把卷积引入Transformer架构的CvT(Convolutional vision Transformers)，去除了Transformer中的位置编码，提升对于高分辨率视觉任务的效果。

最近，谷歌大脑Quoc Le团队利用简单的相对注意力把两大架构自然地统一起来，提出了混合模型CoAtNet。

看来，强强联合果然不错。

这还没结束，除了卷积与注意力的协作以外，甚至有人从更高的层面开始尝试将二者统一。

上海交大和华为的研究，用对卷积特征的变换操作达到近似自注意力的效果，提出全新的算子X-Volution，可以在任何现代神经网络结构中使用。

港中文提出更是将CNN、Transformer以及MLP都统一在一起，提出了用于多头上下文聚合的通用结构Container，取得了超越三大架构及混合架构的成绩。

ViT：
https://arxiv.org/abs/2010.11929

ViT比CNN更像人类：
https://arxiv.org/abs/2105.07197

CNN纹理偏差的来源：
https://arxiv.org/abs/1911.09071

BoTNet：
https://arxiv.org/abs/2101.11605

CvT：
https://arxiv.org/abs/2103.15808

CoAtNet：
https://arxiv.org/abs/2106.04803

X-Volution：
https://arxiv.org/abs/2106.02253

Container：
https://arxiv.org/abs/2106.01401