项目-1.CROSSFORMER论文与代码解析(CrossFormer: A Versatile Vision Transformer Based on Cross-scale Attention)

CROSSFORMER[CV:图像分类、目标检测]1.资源链接1.1论文1.2代码2.论文解析2.0 摘要2.1 基本介绍2.2 背景2.3 本文模型2.3.1 Cross-Scale Embedding Layer(CEL)2.3.2 CrossFormer Block2.3.2.1长短距离注意力机制 (LSDA)2.3.2.2 Dynamic Position Bias（DPB）3.代码解析3

小坤兽

3809人浏览 · 2022-02-15 15:25:37

小坤兽 · 2022-02-15 15:25:37 发布

1.资源链接

1.1论文

《CrossFormer: A Versatile Vision Transformer Based on Cross-scale Attention》

1.2代码

github代码链接

2.论文解析

2.0 摘要

Transformers在处理视觉任务方面取得了很大进展，但不具备一种对视觉输入很重要的能力：在不同尺度的特征之间建立注意力。造成这一问题的原因有两方面：
(1)各层的输入嵌入是等尺度的，没有跨尺度特征
(2)一些vision transformers牺牲了嵌入的小尺度特征，以降低自我注意模块的成本
为了弥补这一缺陷，本文提出了跨尺度嵌入层(CEL)和长短距离注意(LSDA)。
CEL将每个嵌入与不同尺度的多个patch混合在一起，为模型提供了跨尺度嵌入。
LSDA将自我注意模块分成短距离和长距离两个模块，既降低了成本，又保留了小尺度和大尺度的嵌入特征。通过这两个设计实现跨尺度的关注。
此外，本文还提出了vision transformer的动态位置偏差，使流行的相对位置偏差适用于可变尺寸的图像。
在这些模块的基础上构建了视觉架构CrossFormer。实验表明，CrossFormer在几个典型的视觉任务，特别是目标检测和分割方面优于其他转换器。

2.1 基本介绍

Transformer在NLP上取得了巨大成功，得益于它的自我注意模块，Transformer天生就具有建立远程依赖的能力，这对许多视觉任务也很重要。因此，已经进行了大量的研究来探索基于transformer的视觉体系结构。

transformers需要一系列嵌入作为输入。为了使其适应视觉任务，大多数现有的vision transformers通过将图像分割成相等大小的块来产生嵌入。例如，一幅224×224的图像可以被分割成大小为4×4的56×56块，然后这些块通过线性层投影成为嵌入序列。在transformer内部，自我关注模块可以在任何两个嵌入之间建立依赖关系。这样的成本对于视觉输入来说太大了，因为它的嵌入序列比NLP的嵌入序列要长得多。因此，最近提出的视觉转换器开发了多种替代品，以更低的成本近似香草模型(vanilla)的自我注意模块。

虽然上述工作取得了一定的进展，但现有的vision transformers仍然存在一个制约其性能的问题–未能在不同尺度的特征之间建立关注度，而这种能力对于视觉任务来说是非常重要的。例如，一幅图像通常包含许多不同尺度的对象，建立它们之间的关系需要跨尺度的注意机制。此外，一些任务，如实例分割，需要大规模(粗粒度)特征和小规模(细粒度)特征之间的交互。现有的vision transformers无法处理这些情况的原因有两个：(1)嵌入序列是由大小相等的块生成的，因此同一层中的嵌入只具有单一尺度的特征。(2)在自我注意模块内部，相邻嵌入的键/值经常被合并，以降低成本。因此，即使嵌入同时具有小尺度和大尺度特征，合并操作也会丢失每个单个嵌入的小尺度(细粒度)特征，从而使跨尺度注意力失效。

为了解决这个问题，我们共同设计了嵌入层和自我注意模块如下：(1)跨尺度嵌入层(CEL)-采用了金字塔结构，这自然会将模型分成多个阶段。CEL出现在每个阶段的开始处。它接收上一阶段的输出(或图像)作为输入，采样具有不同尺度(如4×4、8×8等)的多个核的patch。然后，每个嵌入都是通过投影和连接这些patch来构建的，而不是只使用一个单一比例的。(2)长短距离注意(LSDA)-提出了一种替代原始的香草模型自我注意的方法，但为了保留小尺度特征，嵌入(以及它们的键/值)不会合并。相反，我们将自我注意模块分为短距离注意(SDA)和长距离注意(LDA)。SDA建立相邻嵌入之间的依赖关系，而LDA负责远离彼此的嵌入之间的依赖关系。LSDA还降低了自我注意模块的成本，但与其他模块不同的是，LSDA既不损害小规模的特征，也不损害大规模的特征，因此可以关注跨尺度的交互。

此外，相对位置偏差(RPB)是vision transformer的一种有效位置表征。然而，它仅适用于输入图像/组大小固定的情况，这不适用于像物体检测这样的多任务。为了使算法更加灵活，我们引入了动态位置偏置(DPB)训练模块，它接受两个嵌入的距离作为输入，并输出它们的位置偏差。该模块在训练阶段进行了端到端的优化，代价可以忽略不计，但使RPB适用于不同的图像/组大小。

我们建议的每个模块都可以用大约十行代码来实现。在此基础上，我们构造了四种大小不一的多功能视觉转换器CrossFormer。在四个典型的视觉任务(即图像分类、对象检测和实例/语义分割)上的实验表明，CrossFormers在所有这些任务上都优于以往的视觉转换器，特别是密集预测任务(对象检测和实例/语义分割)。我们认为这是因为图像分类只关注一个对象和大尺度特征，而密集预测任务更多地依赖于跨尺度关注。

2.2 背景

Vision Transformers

受自然语言处理的transformers的启发，研究人员为视觉任务设计了vision transformer，以利用其巨大的注意机制。特别是ViT和DeiT，将原始transformer转移到视觉任务，实现了令人印象深刻的准确性。后来，PVT、HVT、Swin等将金字塔结构引入变压器，大大减少了模型后续层的patch数量。transformer还被扩展到其他任务，如对象检测和分割。

Self-attention及其变体

作为transformers的核心，自我注意模块的计算和存储开销为 $O(N^2)$ ，其中N为嵌入序列的长度。虽然这样的成本对于小型图像分类是可以接受的，但对于具有大图像的模型就不太好了。为了解决这个问题，Swin限制了对局部区域的注意，放弃了远程依赖。PVT和Twin使相邻嵌入共享相同的键/值，以降低成本。同样，其他vision transformer也采用分而治之的方法，以较低的成本近似普通的自我注意模块。

Position representations（位置表示）

transformer是组合不变的，也就是说，打乱输入嵌入不会改变transformer的输出。然而，嵌入的位置也包含重要信息。为了使该模型意识到这一点，提出了许多不同的嵌入位置表示，其中相对位置偏差(RPB)就是其中之一。对于RPB，每对嵌入都会在它们的注意力上添加一个偏差，这表示它们之间的相对距离。在以前的工作中，RPB被证明比其他位置表征对视觉任务更有效。

2.3 本文模型

图1 CrossFormer的整体架构如图1所示。采用了金字塔结构，这自然地将模型分为四个阶段。每个阶段由一个跨尺度嵌入层(CEL)和几个CrossFormer block组成。CEL接收上一阶段的输出(或图像)作为输入，并生成跨尺度嵌入。在这个过程中，CEL(第一阶段除外)将金字塔结构的嵌入次数减少到四分之一，而将其维数增加了一倍。然后，在CEL之后放置几个CrossFormer块(包含LSDA和DPB)。在特定任务的最后阶段之后，紧随其后的是专门的head函数做分类。【LN指LayerNorm正则化】

（博主推荐：为什么要用LN不用BN）

2.3.1 Cross-Scale Embedding Layer(CEL)

图2

跨尺度嵌入层用于生成每个阶段的输入嵌入。如图2所示，以第一个CEL为例，它位于Stage-1之前。它接收一幅图像作为输入，使用四个不同大小的内核对patch进行采样。四个内核的步长保持相同，以便它们生成相同数量的嵌入。正如我们在图2中看到的，每四个相应的patch具有相同的中心但不同的比例。这四个patch将被投影并连接为一个嵌入。在实际应用中，采样和投影过程可以通过四层卷积来实现。

对于跨尺度嵌入，一个问题是如何设置每个尺度的投影尺寸。考虑到较大的核更容易导致较大的计算量，我们对较大的核使用较低的维数，而对较小的核使用较高的维数。图2在其子表中提供了具体的分配规则，并给出了一个128维的示例。与平均分配维数相比，我们的方案节省了大量的计算开销，但不会明显影响模型的性能。其他阶段中的跨比例嵌入层的工作方式与此类似。如图1所示，阶段2/3/4中的CEL使用两个内核(2×2和4×4)。步长设置为2×2，以将嵌入次数减少到四分之一(相较于步长为1x1来说)。

2.3.2 CrossFormer Block

每个CrossFormer模块由短距离注意(SDA)或长距离注意(LDA)模块和多层感知器(MLP)组成。特别是，如图1(b)所示，SDA和LDA交替出现在不同的块中，动态位置偏置(DPB)在SDA和LDA中都适用于嵌入的位置表示。此外，在块中使用残差连接。

2.3.2.1长短距离注意力机制 (LSDA)

图3

我们将自我注意模块分为两部分：短距离注意(SDA)和长距离注意(LDA)。对于SDA，每个G×G相邻嵌入被分组在一起。图3(a)给出了当G=3时的例子。对于输入大小为S×S的LDA，以固定间隔I对嵌入进行采样。例如，在图3(b)(I=3)中，所有具有红边的嵌入属于一组，而具有黄色边框的嵌入属于另一组。LDA的组高度/宽度计算为G=S/I，在本例中为G=3。在对嵌入进行分组后，SDA和LDA都在每个组中使用了普通的自我注意模块。结果，自我注意模块的存储和计算成本从 $O(S^4)$ 降低到 $O(S^2 G^2)$ 。

在图3(b)中，我们绘制了两个嵌入的组件patch。由此可见，两个嵌入体的小比例patch是不相邻的，没有大比例patch的帮助很难判断它们之间的关系。因此，如果这两个嵌入仅由小规模的patch构建，将很难在它们之间建立依赖关系。相反，相邻的大型patch提供了足够的上下文来链接这两个嵌入。因此，在大规模patch的引导下，远程跨尺度的关注变得更容易、更有意义。

2.3.2.2 Dynamic Position Bias（DPB）

相对位置偏差(Relative Position Bias，RPB)通过增加嵌入对象注意力的偏差来表示嵌入对象的相对位置。正式地说，LSDA与RPB的注意力图变成了：
$Softmax(QK^T/\sqrt d+B)V$
其中 $Q、K、V\in R^{G^2×D}$ 分别表示自我注意模块中的query、key、value， $\sqrt d$ 是常量归一化子。 $B∈R^{G^2×G^2}$ 是RPB矩阵。在前人的工作中， $B_{i，j}=\hat B_{∆x_{ij},∆y_{ij}}$ ，其中 $\hat B$ 是一个固定大小的矩阵， $x_{ij}，∆y_{ij})$ 是第i个和第j个嵌入之间的坐标距离。很明显，在 $x_{ij}，∆y_{ij})$ 超过 $\hat B$ 的大小的情况下，图像/组的大小受到限制（也就是说，图像/组的大小不能超过 $\hat B$ 的大小）。相反，我们提出了一种称为DPB的基于mlp的模块来动态地产生相对位置偏差，即
$B_{i,j}=DPB(∆x_{ij}，∆y_{ij})$
DPB的结构如图3(c)所示。其非线性变换由三个带有层归一化和ReLU的完全连通的层组成。DPB的输入维度为2，即 $x_{ij}，∆y_{ij})$ ，中间层的维度设置为D/4，其中D是嵌入的维度。DPB是一个与整个模型一起优化的可培训模块。它可以处理任何图像/组大小，而无需担心 $x_{ij}，∆y_{ij})$ 的界限。

2.3.2.3 Variants of CrossFormer

表1列出了CrossFormer用于图像分类的四个变体(-T、-S、-B和-L，分别代表极小、小、基础和大，对应本博客下面的部分中提到的yaml)的详细配置。为了重用预先训练的权重，用于其他任务的模型使用与分类相同的主干，除了它们可能使用不同的G和I。具体地说，除了与分类相同的配置外，我们还使用G1=G2=14、I1=16和I2=8测试检测/分割模型的前两个阶段，以适应更大的图像。具体架构载于附录(A.3)。值得注意的是，组大小(即G和I)不影响权重张量的形状，因此在ImageNet上预先训练的主干可以直接在其他任务上进行微调，即使它们使用不同的(G，I)。

表1 用于图像分类的CrossFormer变体。示例输入大小为224×224。D和H分别表示多头注意模块的嵌入维数和头数。G和I分别是SDA和LDA的组大小和间隔。

2.4 实验

实验在图像分类、目标检测、实例分割和语义分割四个具有挑战性的任务上进行。为了进行公平的比较，我们尽可能保持与其他视觉转换器相同的数据增强和训练设置。竞争对手都是竞争激烈的视觉transformer，包括DeiT、PVT、T2T-ViT、TNT、CViT、Twin、Swin、NesT、CVT、TransCNN、Shuffle、BoTNet和RegionViT。（博主惊叹：全部都是2021年的新模型）

2.4.1 图像分类

实验配置

分类实验是使用ImageNet数据集进行的。模型在1.28M训练图像上进行训练，并在50K验证图像上进行测试。使用与其他vision transformer相同的训练设置。特别是，我们使用AdamW优化器训练300个epoch，使用余弦衰减学习率调度器，并使用20个epoch的线性预热。batch size为1024个，拆分在8个V100 GPU上。使用0.001的初始学习率和0.05%的权重衰减率。此外，对于CrossFormer-T、CrossFormer-S、CrossFormer-B、CrossFormer-L，我们分别使用0.1、0.2、0.3、0.5的dropout。此外，类似于Swin、RandAugment、Mixup、CutMix、随机擦除和随机深度被用于数据增强。

实验结果

表2

结果如表2所示。正如我们可以看到的那样，CrossFormer在相似的参数和FLOPs的情况下达到了最高的准确率。特别是，与流行的DeiT、PVT和Swin相比，我们在小模型上的准确率至少高出1.2%。此外，尽管RegionViT在小型模型上与我们达到了相同的准确率(82.5%)，但在大型模型上比我们低0.7%(84.0%对83.3%)。

2.4.2 目标检测和实例分割

实验配置

目标检测和实例分割的实验都是使用COCO 2017数据集进行的，该数据集包含118K训练图像和5K验证图像。我们使用基于MMDetect的RetinaNet和Mask-RCNN作为对象检测或实例分割的头部。对于这两个任务，主干都使用在ImageNet上预先训练的权重进行初始化。检测/分割模型在8个V100GPU上以batch size为16进行训练，并使用初始学习率为1×10−4的adamW优化器。在前人工作的基础上，我们采用了1×训练方案，即对模型进行12个epoch的训练，对图像的短边调整到800像素。

实验结果

表3 Coco Val 2017上的对象检测和实例分割结果。Swin的结果取自Twin，因为Swin没有在RetinaNet和Mask-RCNN上报告结果。蓝色字体的结果排在第二位。

结果放在表3中。正如我们可以看到的那样，排在第二位的体系结构随着实验的进行而变化，也就是说，这些体系结构可能在一个任务中表现良好，但在另一个任务中表现不佳。相比之下，我们在任务(检测和分割)和两个模型大小(小的和基本的)上都优于所有其他人。此外，当扩展模型时，CrossFormer相对于其他体系结构的性能增益会增加，这表明CrossFormer具有更高的潜力。

2.4.3 语义分割

实验配置

ADE20K被用作语义切分的基准。它涵盖了150个语义类别的广泛范围，包括用于训练的20K图像和用于验证的2K图像。与检测模型类似，我们用在ImageNet上预先训练的权重来初始化主干，并以基于MMS监管的语义FPN和UPerNet作为分割头。对于FPN，我们使用学习率和权重敏感度为1×10−4的AdamW优化器。模型被训练为80K迭代，batch size为16。对于UPernet，我们使用初始学习率为6×10−5，权重衰减为0.01的AdamW优化器，模型被训练为160K迭代。

实验结果

结果如表4所示。与目标检测类似，CrossFormer在放大模型时表现出比其他算法更大的性能增益。例如，CrossFormer-T的IOU比TwinsSVT-B高1.4%，但CrossFormer-B的IOU比TwinsSVT-L高3.1%。此外，CrossFormer在密集预测任务(如检测和分割)上比在分类上表现出更显著的优势，这表明注意模块中的跨尺度交互对于密集预测任务比对分类更重要。
在这里插入图片描述

表4：ADE20K验证集上的语义分割结果。“MS IOU”表示可变输入大小的测试。

2.4.4 消融研究

在这里插入图片描述

表5

Cross-scale Embeddings vs. Single-scale Embeddings.

我们通过将所有跨尺度的嵌入层替换为单尺度的嵌入层来进行实验。单尺度嵌入意味着只有一个核(Stage1为4×4，其他Stage为2×2)用于模型中的四个CEL。表5a中的结果表明，跨尺度嵌入获得了很大的性能增益，即它比没有跨尺度嵌入的模型的准确率高0.9%。

LSDA vs. Other Self-attentions

比较了PVT和Swin中使用的两种自关注模块。具体地说，PVT在计算自我注意时牺牲了小范围的信息，而Swin将自我注意限制在局部区域，放弃了远程注意。如表5a所示，与PVT和Swin类自我注意机制相比，我们的准确率至少高出0.6%。结果表明，长短距离的自我注意最有利于提高模型的绩效。

DPB vs. Other Position Representations

我们比较了绝对位置嵌入(APE)、相对位置偏差(RPB)和DPB之间模型的参数、FLOP、吞吐量和精度，结果如表5b所示。DPB-residual表示具有残差连接的DPB。DPB和RPB均优于APE，准确率为0.4%。DPB实现了与RPB相同的精确度，但额外成本可以忽略不计，但是，正如我们在前面所描述的，它比RPB更灵活，并且适用于可变图像大小或组大小。此外，DPB中的剩余连接无助于提高模型的性能(82.5%比82.4%)。

2.5 总结

我们提出了一种基于transformer的视觉架构，称为CrossFormer。其核心设计包括跨尺度嵌入层和长短距离注意(LSDA)模块。此外，我们提出了动态位置偏差(DPB)，使相对位置偏差适用于任何输入大小。实验表明，CrossFormer在几个典型的视觉任务上取得了比其他vision transformer更好的性能。特别是CrossFormer算法在检测和分割方面有了较大幅度的提高，这表明跨尺度嵌入和LSDA对于密集预测视觉任务尤为重要。

3.代码复现

3.1下载之初

configs/:	内部包含四个yaml文件，在运行图像分类时可以使用，用来运行不同大小的网络
data/:		内部文件用于加载数据集
detection/:	目标检测相关代码
figures/:	README文档用到的图片
models/:	图像分类的模型代码
segmentation/:	图像分割相关代码
其他py文件:		图像分类相关代码

文件目录

3.2环境搭建

3.2.0 下载数据集

数据集是imagenet，可在kaggle上下载
修改文件夹的结构和名称，该项目需要的数据集目录树为

images/
	train/
		n01443537/ # 每一个类别一个文件夹
			images/
				xxx.JPEG
				xxx.JPEG
		n01629819/
			images/
				xxx.JPEG
				xxx.JPEG
	val/
		n01443537/ # 每一个类别一个文件夹
			images/
				xxx.JPEG
				xxx.JPEG
		n01629819/
			images/
				xxx.JPEG
				xxx.JPEG

3.2.1图像分类

在CrossFormer文件夹（即最外层文件夹）下运行。

3.2.1.1 环境配置

win10和linux都一样，以下以win10为例，（linux只需要将命令中的python换成python3，pip换成pip3即可），之后不建议使用win10运行，目标检测和图像分割用到的mmcv-full等package没有win10对应的版本
注意需要GPU和cuda环境
安装

pip install numpy scipy Pillow pyyaml yacs torch==1.7.0 torchvision==0.8.1 timm==0.3.2

3.2.1.2 修改代码

卑微博主没有集群，无法使用torch的分布式训练技术，因此需要将所有torch.distributed相关的代码删除。
如果某些位置无法删除，将dist.get_rank()(进程编号/优先级)改成0，dist.get_world_size()(执行脚本的进程数)换成1。
随即运行，如果出现问题是dist相关的，说明没有删干净，将这行删掉或按照上一点修改。

3.2.1.3 运行代码

python main.py --cfg configs/tiny_patch4_group7_224.yaml --batch-size 128 --data-path path_to_imagenet --output ./output

可见成功的结果如下
在这里插入图片描述

3.2.2目标检测

在detection文件夹下运行

3.2.2.1 环境配置

该项目所使用的mmcv-full等package，在win10环境下博主找了两天没找到本项目对应的版本，不同的版本又无法运行，网上的各种教程也都不好用，所以非常不建议在win10下运行本项目。以下均在ubuntu20.04下运行。
安装package依赖

pip3 install mmcv-full==1.2.7 mmdet==2.8.0

问题一：安装报错 error: command ‘:/usr/local/cuda/bin/nvcc’ failed with exit status 1

解决方式：仔细观察发现nvcc的绝对路径前加了个“:”，说明是环境变量出了问题
修改~/.bashrc文件：将export CUDA_HOME=$CUDA_HOME:/usr/local/cuda修改为
export CUDA_HOME=/usr/local/cuda
随即就能安装啦！

问题二：安装mmdet时各种爆红

解决方式：无需解决，爆红的原因是缺少mmpycocotools等依赖，爆红之后会自动安装

将之前图像分类训练好的模型保存下来(建议存到detection目录下，比较好找)

import torch
ckpt = torch.load("crossformer-s.pth") ## load classification checkpoint
torch.save(ckpt["model"], "backbone-crossformer-s.pth") ## only model weights are needed

下载数据集
去COCO数据集官网下载，需要下载train、val、annotation放在某一个目录中（下一小点需要填写这个目录）值得注意的是，数据集大小为40G+，劝退。
修改config文件，将detection\configs\_base_\datasets\coco_detection.py和detection\configs\_base_\datasets\coco_instance.py第二行的data_root的值修改为自己的coco数据集所在目录
给Crossformer_S注册mmdet的BACKBONE
- 找到mmdet安装包的源目录，博主的在~/.local/lib/python3.8/site-packages/mmdet
- 将本项目代码中的model/crossformer_backbone.py和detection/crossformer_factory.py复制到~/.local/lib/python3.8/site-packages/mmdet/model/backbones目录下
- 修改~/.local/lib/python3.8/site-packages/mmdet/model/backbones/crossformer_factory.py的前十一行
```
from ..builder import BACKBONES
from .crossformer_backbone import CrossFormer

# 删掉多余的行，保证“@BACKBONES.register_module()”之前只有这两行
```
- 修改~/.local/lib/python3.8/site-packages/mmdet/model/backbones/__init__.py
```
# 新增一行
from .crossformer_factory import CrossFormer_S, CrossFormer_B
# 在__all__里加入'CrossFormer_S', 'CrossFormer_B'
__all__ = ['源码前面的东西......','CrossFormer_S', 'CrossFormer_B']
```

3.2.2.2 修改代码

和上一节的图像分割一样也用到了分布式训练技术，这里将11行：

from mmcv.runner import get_dist_info, init_dist

注释或删掉

100行左右的

    if args.launcher == 'none':
        distributed = False
    else:
        distributed = True
        init_dist(args.launcher, **cfg.dist_params)
        # re-set gpu_ids with distributed training mode
        _, world_size = get_dist_info()
        cfg.gpu_ids = range(world_size)

修改为

distributed = False

3.2.2.3 运行代码

训练：修改dist_train.sh文件

# 将python xxxxxx。。。那条命令改成
python3 train.py $CONFIG --cfg-options model.pretrained=$PRETRAIN --work-dir ./det-output --launcher pytorch ${@:4}
# 博主这里是选择直接在py文件的parser里添加了default参数，可以在运行train.py文件时没这么长的参数要写。

如果显存炸了的话，前往detection/configs/_base_/datasets将里面的两个文件中的samples_per_gpu和workers_per_gpu改成1。如果还不行，可以尝试将图像检测项目中的batch_size调小，重新训练模型再回来尝试，但不一定能成功。如果还不行，建议购买更好的显卡。如果还不行，建议放弃项目。
测试：直接运行指令

python3 test.py configs/mask_rcnn_crossformer_s_fpn_1x_coco.py det-output/epoch_12.pth --eval bbox

4. 代码解析

注：本节只简单介绍CROSSFORMER算法相关代码

4.0 进入算法

# 在源代码的main函数加载完数据后创建模型
model = build_model(config, args)
# 进入build_model函数后（在build.py中）有如下代码，在这里创建了CrossFormer类，搭建起了整个网络
model = CrossFormer(img_size=config.DATA.IMG_SIZE,  # 224
                            patch_size=config.MODEL.CROS.PATCH_SIZE,  # [4, 8, 16, 32]
                            in_chans=config.MODEL.CROS.IN_CHANS,  # 3
                            num_classes=config.MODEL.NUM_CLASSES,  # 1000
                            embed_dim=config.MODEL.CROS.EMBED_DIM,  # 64
                            depths=config.MODEL.CROS.DEPTHS,  # [1, 1, 8, 6]
                            num_heads=config.MODEL.CROS.NUM_HEADS,  # [2,4,8,16]
                            group_size=config.MODEL.CROS.GROUP_SIZE,  # [7,7,7,7]
                            mlp_ratio=config.MODEL.CROS.MLP_RATIO,  # 4
                            qkv_bias=config.MODEL.CROS.QKV_BIAS,  # True
                            qk_scale=config.MODEL.CROS.QK_SCALE,  # None
                            drop_rate=config.MODEL.DROP_RATE,  # 0.0
                            drop_path_rate=config.MODEL.DROP_PATH_RATE,  # 0.1
                            ape=config.MODEL.CROS.APE,  # False
                            patch_norm=config.MODEL.CROS.PATCH_NORM,  # True
                            use_checkpoint=config.TRAIN.USE_CHECKPOINT,  # False
                            merge_size=config.MODEL.CROS.MERGE_SIZE,  # [[2,4],[2,4],[2,4]]
                            )

4.1 CrossFormer

# 为了减少代码量，增加博客的可读性，以下全将不重要的代码省略了
# 可以看图1下面的简介，CrossFormer是由前面的forward_features函数（包含了论文中的全部算法模块）和后面的head函数（一层全连接）组成
class CrossFormer(nn.Module):
    def __init__(......):
        super().__init__()
        ......
        self.patch_embed = PatchEmbed(......)  # 4个不同维度的卷积cat在一起
        self.layers = nn.ModuleList()  # 下面加了4个Stage
        for i_layer in range(self.num_layers):  # 0 ~ 4, merge_size = [[2,4],[2,4], [2,4]]
            patch_size_end = merge_size[i_layer] if i_layer < self.num_layers - 1 else None
            num_patch_size = num_patch_sizes[i_layer]  # num_patch_sizes = [4,2,2,2]
            layer = Stage(......)
            self.layers.append(layer)
		......
        self.norm = norm_layer(self.num_features)
        self.head = nn.Linear(self.num_features, num_classes) if num_classes > 0 else nn.Identity()  # Identity()占位，没有实际意义

    def forward_features(self, x):
        x = self.patch_embed(x)  # 4个卷积叠在一起，第一层CEL
        if self.ape:
            x = x + self.absolute_pos_embed
        x = self.pos_drop(x)  # 0.0 dropout
        for layer in self.layers:  # 4个Stage（就是Cross Former block + 后续CEL）
            x = layer(x)
        x = self.norm(x)  # B L C 正则化
        x = self.avgpool(x.transpose(1, 2))  # B C 1 转置、平均池化
        x = torch.flatten(x, 1)  # 平铺
        return x

    def forward(self, x):
        x = self.forward_features(x)
        x = self.head(x)  # 全连接
        return x

4.2 PatchEmbed

# 第一层的CEL，使用4个不同大小的卷积核进行处理，随后拼接到一起作为输出
class PatchEmbed(nn.Module):
    def __init__(......):
        super().__init__()
        ......
        self.projs = nn.ModuleList()  # 一个存放layer的容器列表，下面的循环添加了四个卷积层
        for i, ps in enumerate(patch_size):
            ......  # 计算卷积网络中的参数以确保后续能拼接在一起
            self.projs.append(nn.Conv2d(in_chans, dim, kernel_size=ps, stride=stride, padding=padding))

    def forward(self, x):
        B, C, H, W = x.shape
        xs = []
        for i in range(len(self.projs)):
            tx = self.projs[i](x).flatten(2).transpose(1, 2)
            xs.append(tx)  # B Ph*Pw C
        x = torch.cat(xs, dim=2)  # 在这里拼接了
        if self.norm is not None:
            x = self.norm(x)
        return x

4.3 Stage

# 如图1中所示的Stage1，2，3，4，内部包含了CrossFormerBlock
class Stage(nn.Module):
    def __init__(......):
        super().__init__()
        ......
        self.blocks = nn.ModuleList()
        for i in range(depth):
            self.blocks.append(CrossFormerBlock(......))
        if downsample is not None:
            self.downsample = downsample(......)
        else:
            self.downsample = None

    def forward(self, x):
        for blk in self.blocks:
            if self.use_checkpoint:
                x = checkpoint.checkpoint(blk, x)
            else:
                x = blk(x)
        if self.downsample is not None:  
        	# 下采样，通过PatchMergeing函数实现，内部包含了一些卷积、改变维度和转置等操作
            x = self.downsample(x)
        return x

4.4 CrossFormerBlock

# 每个CrossFormerBlock块包含了一些正则化、自注意机制和多层感知机
class CrossFormerBlock(nn.Module):
    def __init__(......):
        super().__init__()
        ......
        self.attn = Attention(......)  # 自注意模块
        self.mlp = Mlp(......)  # 多层感知机
        ......

    def forward(self, x):
        ......
        x = self.norm1(x)
        ......
        x = self.attn(x, mask=self.attn_mask)
        ......
        x = x + self.drop_path(self.mlp(self.norm2(x)))
        return x

4.5 Attention

class Attention(nn.Module):
    def __init__(......):
        super().__init__()
        # 全是一些运算必须的参数，看这块的代码还不如看论文能理解得更明白，赋值来赋值去眼花缭乱
        ......
        self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
        self.attn_drop = nn.Dropout(attn_drop)
        self.proj = nn.Linear(dim, dim)
        self.proj_drop = nn.Dropout(proj_drop)
        self.softmax = nn.Softmax(dim=-1)

    def forward(self, x, mask=None):
    	# 全是一些运算，看这块的代码还不如看论文能理解得更明白，赋值来赋值去眼花缭乱
        ......
        attn = (q @ k.transpose(-2, -1))  # @是pytorch中的矩阵乘法运算符
        ......
        return x

5.个人总结

博主吐槽：
- mmcv断断不可尝试windows（脸上笑嘻嘻）
- mmdet的模型注册机制也零新手比较头疼，本文只是尝试了一个可以用的方法，理论上应该有更好的实现方式，毕竟python的注解机制这样用就显得一文不值了
待深入列表：
- Transformer、self-attention机制
- 2021年新出的这么多Transformer模型：DeiT、PVT、T2T-ViT、TNT、CViT、Twin、Swin、NesT、CVT、TransCNN、Shuffle、BoTNet和RegionViT