VOLO: Vision Outlooker for Visua
VOLO模型参数效果图
北深袁粒老师的工作，仍然是ImageNet上设计的transformer型模型，主要贡献在于提出一种称为outlooker的注意力层，这种结构结合了卷积局部信息整合和注意力层的优势，在transformer backbone和patch embedding的帮助下实现了性能提升 ImageNet上不借助预训练首次突破87.1%的top1正确率。
核心attention层： outlooker
具体操作
该attention主要操作基于以上伪代码（pytorch类似）。其核心操作主要有unfold和fold以及中间被替换的score矩阵计算方式，借助一次线性映射而不是两次线性映射加一次矩阵乘法，outlooker相对普通multi-head attention减少了MACs降低了复杂度。
unfold
unfold操作实际上类似于conv层滑动取窗口的机制，我们设定好kernel_size, stride, dilation等参数后，即可对B*C*H*W这样的张量在H*W这样的空间维上进行滑动取窗口，最后得到的新矩阵为B*(C*k*k)*n。k为kernel_size, n为总共取到的窗口数。
fold
fold则是unfold的逆过程，给定kernel_size，stride, dilation和output_size等参数后，它可以将B*(C*k*k)*n这样的矩阵还原回B*C*H*W。这里稍微注意为什么要相对unfold多给定一个output_size呢？因为其实我们发现不管输入矩阵还是给定参数除了output_size我们并不知道H*W, 给定kernel_size后我们可以求得C, 但是n是由H和W两个维度共同构成的，所以如果不显示指明H*W那么是可能包含多种满足条件的H*W(例如H与W互换)。
同时在pytorch中，fold实际上做的操作是把那些由unfold拓展出来的位置上的元素全部加和再放回原始矩阵，那么这个加和操作就会使得原位置元素值翻倍而非不变，所以其实fold和unfold大部分时候并不是真正互逆的，要想实现互逆应当对元素取平均。
outlooker
那么除去了类似conv这样考虑滑动窗口的unfold和fold过程，outlooker和普通scaled dot-product有什么区别呢？
大体计算过程
由公式（4）可以看出其核心思路和attention层并无区别， 唯一就是score矩阵由原来的QK’, 变成了此处的A_{i,j}，而这里的A实际上是直接由输入X通过线性映射直接得到的一个矩阵，也就是说相对于分别线性映射得到Q和K再做矩阵乘法得到score矩阵，这里直接采用了一个线性映射得到score矩阵，从而降低了计算复杂度。而之前的scaled乘以系数以及softmax归一都在代码中得到了保留。
misc
VOLO模型是基于LV-ViT进行改进的，其中利用的patch embedding并没有进行额外说明，但是对模型性能等有重要的影响。同时将conv和transformer做结合似乎是一个现阶段的一个趋势，其他工作(同一作者的T2T ViT)也保持了这样的一些变化或比较趋势。
