自何愷明MAE橫空出世以來，MIM（Masked Image Modeling）這一自監督預訓練表征越來越引發關注。

但與此同時， 研究人員也不得不思考它的局限性。

MAE論文中只嘗試了使用原版ViT架構作為編碼器，而表現更好的分層設計結構（以Swin Transformer為代表），并不能直接用上MAE方法。

于是，一場整合的范式就此在研究團隊中上演。

代表工作之一是來自清華、微軟亞研院以及西安交大提出SimMIM，它探索了Swin Transformer在MIM中的應用。

但與MAE相比，它在可見和掩碼圖塊均有操作，且計算量過大。有研究人員發現，即便是SimMIM的基本尺寸模型，也無法在一臺配置8個32GB GPU的機器上完成訓練。

基于這樣的背景，東京大學&商湯&悉尼大學的研究員，提供一個新思路。

不光將Swin Transformer整合到了MAE框架上，既有與SimMIM相當的任務表現，還保證了計算效率和性能——

將分層ViT的訓練速度提高2.7倍，GPU內存使用量減少70%。

來康康這是一項什么研究？

當分層設計引入MAE

這篇論文提出了一種面向MIM的綠色分層視覺Transformer。

即允許分層ViT丟棄掩碼圖塊，只對可見圖塊進行操作。

具體實現，由兩個關鍵部分組成。

首先，設計了一種基于分治策略的群體窗口注意力方案。

將具有不同數量可見圖塊的局部窗口聚集成幾個大小相等的組，然后在每組內進行掩碼自注意力。

其次，把上述分組任務視為有約束動態規劃問題，受貪心算法的啟發提出了一種分組算法。

它可以自適應選擇最佳分組大小，并將局部窗口分成最少的一組，從而使分組圖塊上的注意力整體計算成本最小。

表現相當，訓練時間大大減少

結果顯示，在ImageNet-1K和MS-COCO數據集上實驗評估表明，與基線SimMIM性能相當的同時，效率提升2倍以上。

而跟SimMIM相比，這一方法在所需訓練時間大大減少，消耗GPU內存也小得多。具體而言，在相同的訓練次數下，在Swin-B上提高2倍的速度和減少60%的內存。

值得一提的是，該研究團隊在有8個32GB V100 GPU的單機上進行評估的，而SimMIM是在2或4臺機器上進行評估。

研究人員還發現，效率的提高隨著Swin-L的增大而變大，例如，與SimMIM192相比，速度提高了2.7倍。

實驗的最后，提到了算法的局限性。其中之一就是需要分層次掩碼來達到最佳的效率，限制了更廣泛的應用。這一點就交給未來的研究。

而談到這一研究的影響性，研究人員表示，主要就是減輕了MIM的計算負擔，提高了MIM的效率和有效性。

審核編輯 ：李倩