来源： arXiv:2104.05707v1, CVL ETH
代码： https://github.com/ofsoundof/LocalViT （尚未开源 2014/04/14）
绪论
这篇文章出发点是认为Vision中的transformer考虑了太多的全局关系而忽略了传统CNN中的局部性，因此在transformer中引入locality。其实这种做法最近还是很多的，比如Stand-alone self-attention，TNT， PVT， deformDETR， SwinTransformer等等，都是引入局部性的不同方式。 本文的方式简单来说就是在Multi-head self-attention之后的FFN模块中通过kxk的卷积核引入局部性。
方法
我们知道特征图上1x1的卷积相当于是每个位置上的Linear层，因此对于图像的self-attention之后的FFN层可以转换成feature map上的1x1卷积，如下图所示:
于是可以将1x1的卷积替换成3x3等大的卷积核实现局部性的引入。
然后作者借鉴了inverted residual block中的depth-wise conv设计，将两层的FFN改造成下面结构：
最后作者还讨论了 DW Conv之后接不同的激活模块的性能。
class token
对于分类任务而言，基于transformer的结构除了图像不同patch形成的tokens之外，还有一个class token用于最终的类别预测。 因为本文方法需要将patch重新组织成image形式进而进行3x3的卷积，这时候class token就被独立出来，作者的做法是将讲过self-attention的class token直接与经过FFN之后的patch tokens组合，也就说不对class token进行embedding。作者分析原因认为class token的作用主要是融合各个patch的信息，这个功能在self-attention模块实现，因此后面的FFN重要性不大。
实验（图像分类）
实验细节和一般的ViT系列方法相同，实验数据ImageNet 1K， 图像大小224x224，bs=1024， base_lr=1e-3, momentum=0.9, weight-decay=0.05, adamW 优化器，Epochs=300， cosine learning rate scheduler.
实验结论：
表1分析了FFN中不同的expandsion ratio对性能的影响，发现这个数值增大能够一定程度的提升性能，这里的LocalViT-T表示的是在两个1x1的conv2d后面均添加BN层，且在FFN前面去除LN的效果。可以发现这种改进本身就能提升性能，如果中间再加上一层depth-wise的conv2d的话性能提升更加明显。有些遗憾的是没有对比如果采用普通cnn的效果。
表2给出了conv2d之后的激活函数的影响，默认使用的是ReLU6, 注意这里是第一个1x1的conv2d和depth-wise conv2d 采用的激活函数，而最后一层1x1的conv2d没有使用激活函数。
表3给出的是在不同的encoder layer中使用depth-wise conv2d的效果，可以发现在低层的作用更加明显，注意Table1中给出的LocalViT不使用DW的base是72.5， 也就说这里单独在高层使用depth-wise conv2d反而性能下降了。
表4给出的是h-swish激活函数下的结果，不同的expansion ratio以及是否使用SE中的channel attention。
结论
从CNN到transformer，本身我认为跨度就有些太大了，因此最近很多工作都是在进行中和。我觉得这个工作加到swin transformer上应该也会有些作用，另外DW Conv如何引入deformable 会如何呢？
