시각적 Mamba 모델의 Swin 순간, 중국과학원, Huawei 등이 VMamba 출시

대형 모델 분야에서 트랜스포머의 입지는 흔들리지 않습니다. 그러나 모델 규모가 확장되고 시퀀스 길이가 증가함에 따라 기존 Transformer 아키텍처의 한계가 명백해지기 시작합니다. 다행히도 Mamba의 등장으로 이러한 상황이 빠르게 변화하고 있습니다. 그 뛰어난 성능은 즉시 AI 커뮤니티에 센세이션을 일으켰습니다. Mamba의 출현은 대규모 모델 훈련 및 시퀀스 처리에 큰 혁신을 가져왔습니다. 그 장점은 AI 커뮤니티에서 빠르게 확산되고 있어 향후 연구와 응용에 큰 희망을 불러일으키고 있습니다.

지난 목요일 Vision Mamba(Vim)의 출시로 비주얼 베이직 모델의 차세대 백본이 될 수 있는 큰 잠재력을 입증했습니다. 단 하루 후, 중국과학원, Huawei 및 Pengcheng 연구소의 연구원들이 VMamba를 제안했습니다. 전역 수용 필드와 선형 복잡성을 갖춘 시각적 Mamba 모델입니다. 이 작품은 비주얼 맘바 모델 스윈의 순간을 기념한 작품입니다.

• 논문 제목: VMamba: Visual State Space Model
• 논문 주소: https://arxiv.org/abs/2401.10166
• 코드 주소: https://github .com/MzeroMiko/VMamba

CNN과 ViT(Visual Transformer)는 현재 가장 주류를 이루는 두 가지 기본 시각적 모델입니다. CNN은 선형 복잡성을 갖고 있지만 ViT는 더 강력한 데이터 피팅 기능을 제공하지만 계산 복잡성이 더 높습니다. 연구원들은 ViT가 글로벌 수용 필드와 동적 가중치를 갖기 때문에 강력한 피팅 능력을 가지고 있다고 믿습니다. Mamba 모델에서 영감을 받아 연구원들은 선형 복잡성 하에서 우수한 특성을 모두 갖춘 모델, 즉 VMamba(Visual State Space Model)를 설계했습니다. 광범위한 실험을 통해 VMamba가 다양한 시각적 작업에서 탁월한 성능을 발휘한다는 것이 입증되었습니다. 아래 그림에서 볼 수 있듯이 VMamba-S는 ImageNet-1K에서 83.5%의 정확도를 달성합니다. 이는 Vim-S보다 3.2%, Swin-S보다 0.5% 더 높습니다.

방법 소개

VMamba의 성공 비결은 원래 자연어 처리(NLP) 작업을 해결하기 위해 설계된 S6 모델의 채택에 있습니다. ViT의 어텐션 메커니즘과 달리 S6 모델은 1D 벡터의 각 요소를 이전 스캔 정보와 상호 작용하여 선형성에 대한 2차 복잡성을 효과적으로 줄입니다. 이러한 상호 작용을 통해 VMamba는 대규모 데이터를 처리할 때 더욱 효율적입니다. 따라서 S6 모델의 출시는 VMamba의 성공을 위한 견고한 기반을 마련했습니다.

그러나 시각적 신호(예: 이미지)는 텍스트 시퀀스처럼 자연스럽게 정렬되지 않으므로 S6의 데이터 스캐닝 방법을 시각적 신호에 직접 적용할 수는 없습니다. 이를 위해 연구자들은 크로스 스캔 스캐닝 메커니즘을 설계했습니다. 크로스 스캔 모듈(CSM)은 4방향 스캔 전략, 즉 기능 맵의 네 모서리에서 동시에 스캔하는 방식을 채택합니다(위 그림 참조). 이 전략은 기능의 각 요소가 다른 모든 위치의 정보를 서로 다른 방향으로 통합하여 선형 계산 복잡성을 증가시키지 않고 전역 수용 필드를 형성하도록 보장합니다.

저자는 CSM을 기반으로 SS2D(2D-Selective-Scan) 모듈을 설계했습니다. 위 그림에 표시된 것처럼 SS2D는 세 단계로 구성됩니다.

• 스캔 확장은 2D 형상을 4가지 방향(왼쪽 위, 오른쪽 아래, 왼쪽 아래, 오른쪽 위)을 따라 1D 벡터로 평면화합니다.
• S6 블록은 이전 단계에서 얻은 4개의 1D 벡터를 독립적으로 S6 작업에 보냅니다.
• 스캔 병합은 결과 4개의 1D 벡터를 2D 기능 출력으로 융합합니다.

위 사진은 본 글에서 제안하는 VMamba 구조도이다. VMamba의 전체 프레임워크는 주류 시각적 모델과 유사합니다. 주요 차이점은 기본 모듈(VSS 블록)에 사용되는 연산자에 있습니다. VSS 블록은 위에서 소개한 2D 선택적 스캔 작업, 즉 SS2D를 사용합니다. SS2D는 VMamba가 선형 복잡성을 희생하면서 글로벌 수용 필드를 달성하도록 보장합니다.

실험 결과

ImageNet 분류

유사한 매개변수 양과 FLOP에서

• VMamba-T 달성 82 .2%를 확인하는 것은 어렵지 않습니다. 공연 RegNetY-4G를 2.2%, DeiT-S를 2.4%, Swin-T를 0.9% 초과합니다.
• VMamba-S는 83.5%의 성능을 달성하여 RegNetY-8G를 1.8%, Swin-S를 0.5% 능가했습니다.
• VMamba-B는 RegNetY보다 0.3% 높은 83.2%의 성능을 달성했습니다(버그가 있으며, 정확한 결과는 가능한 한 빨리 Github 페이지에 업데이트됩니다).

이러한 결과는 Vision Mamba(Vim) 모델보다 훨씬 높아 VMamba의 잠재력을 충분히 검증합니다. ㅋㅋㅋ 48.2%/48.5% mAP, Swin-T/S/B를 3.8%/3.6%/1.6% mAP 초과, ConvNeXt-T/S/B를 2.3%/2.8%/1.5% mAP 초과. 이러한 결과는 VMamba가 시각적 다운스트림 실험에서 완벽하게 작동함을 확인하고 주류 기본 시각적 모델을 대체할 수 있는 잠재력을 보여줍니다.

ADE20K Semantic Segmentation

ADE20K에서도 VMamba가 뛰어난 성능을 보여주었습니다. VMamba-T 모델은 512 × 512 해상도에서 47.3% mIoU를 달성했는데, 이는 ResNet, DeiT, Swin 및 ConvNeXt를 포함한 모든 경쟁사를 능가하는 점수입니다. 이러한 장점은 VMamba-S/B 모델에서도 여전히 유지될 수 있습니다.

분석실험

유효수용장

VMamba는 전역 유효수용장을 가지고 있는데, 다른 모델 중 DeiT만이 이 기능을 가지고 있습니다. 그러나 DeiT의 비용은 2차 복잡도인 반면 VMamaba는 선형 복잡도라는 점은 주목할 가치가 있습니다.

입력 크기 조정

위 그림(a)은 VMamba가 다양한 입력 이미지 크기에서 (미세 조정 없이) 가장 안정적인 성능을 나타냄을 보여줍니다. 흥미롭게도 입력 크기가 224×224에서 384×384로 증가함에 따라 VMamba만이 성능이 크게 향상되어(VMamba-S가 83.5%에서 84.0%로) 입력 이미지 크기 성별 변화에 대한 견고성을 강조합니다.

위 그림 (b)는 VMamba 시리즈 모델의 복잡도가 입력이 커질수록 선형적으로 증가한다는 것을 보여주며 이는 CNN 모델과 일치합니다.

마지막으로 기본 비전 모델에 대한 세 번째 옵션을 제공하기 위해 CNN 및 ViT와 함께 더 많은 Mamba 기반 비전 모델이 제안되기를 기대해 보겠습니다.

위 내용은 시각적 Mamba 모델의 Swin 순간, 중국과학원, Huawei 등이 VMamba 출시의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!