MobileViT（MobileViT-v1）结合了卷积神经网络（CNNs）和Vision Transformer（ViTs），用于移动端设备。虽然MobileViT-v1有助于实现先进的竞争结果，但Mobilevit-v1 Block内的融合块创造了缩放挑战，并具有比较复杂的学习任务。作者建议对融合块进行简单而有效的改进来创建Mobilevit-v3 Block，从而解决了缩放问题并简化了学习任务。作者提出的用于创建
MobileViTv3-XXS、XXS、XS和S模型的MobileViTv3 Block在ImigeNet-1k、ADE20K、COCO和PascalVOC2012数据集上优于MobileViTv1。在ImageNet-1K上，MobileViTv3-XXS和MobileViTv3-XS分别比MobileViTv1-XXS和MobileViTv1-XS高出2%和1.9%。最近发布的
MobileViTv2体系结构删除了融合块，并使用了线性复杂度的Transformer得到了比MobileViTv1更好的性能。将本文提出的融合块添加到MobileViTv2中，以创建MobileViTv3-0.5,0.75和1.0模型。与MobileViTv2相比，这些新模型在ImageNet-1k、ADE20K、COCO和PascalVOC2012数据集上提供了更好的精度。在
ImageNet-1K数据集上，MobileViTv3-0.5和MobileViTv3-0.75的性能分别比MobileViTv2-0.5和MobileViTv2-0.75高出2.1%和1.0%。在分割任务中，MobileViTv3-1.0在ADE20K数据集和PascalVOC2012数据集上比MobileViTv2-1.0的mIOU分别提高了2.07%和1.1%。
1、简介
卷积神经网络(CNNs)[如ResNet、DenseNet和effentnet]被广泛用于分类、检测和分割等视觉任务，因为它们在已建立的基准数据集(如Imagenet、COCO、PascalVOC、ADE20K和其他类似数据集)上具有很强的性能。当在移动设备等资源普遍受限的边缘设备上部署cnn时，适合这种环境的轻量cnn主要有 Mobilenet (MobileNetv1、MobileNetv2、MobileNetv3)、ShuffleNet (ShuffleNetv1和ShuffleNetv2)和EfficientNet的轻量版本(EfficientNet-B0和EfficientNet-B1)系列模型。与具有大参数和FLOPs的模型相比，这些轻量级模型缺乏准确性。
最近，Vision Transformer（ViTs）已经成为替代cnn执行这些视觉任务的强有力的选择。由于其架构设计，cnn与局部相邻像素/特征相互作用，生成嵌入局部信息的特征图。相比之下，ViTs中的自注意力机制与图像/特征映射的所有部分相互作用，产生嵌入全局信息的特征。这已被证明可以产生与cnn相似的结果，但需要大量的预训练数据和数据增强。此外，这种全局处理以大参数和FLOPs为代价，以匹配ViT及其不同版本(如DeiT、SwinT、MViT、Focus -ViT、PVT、T2T-ViT、xit)中的cnn的性能。表明vit存在优化器选择、学习率、权值衰减和收敛速度慢等超参数敏感性高的问题。为了解决这些问题，有学者提出在vit中引入卷积层。
最近的许多研究在ViT体系结构中引入了卷积层，形成混合网络，以提高性能，实现高效率，并使模型在参数和flop方面更有效，如MobileViTs (MobileViTv1, MobileViTv2)， CMT, CvT, PVTv2, ResT, MobileFormer)，CPVT, MiniViT, CoAtNet, CoaT。其中许多模型在ImageNet-1K上的性能(包括参数和FLOPs)如图1所示。
在这些模型中，只有MobileViTs和MobileFormer是专门为移动设备等资源受限的硬件设计的。与其他混合网络相比，这两种模型具有更少的参数和flop，从而实现了具有竞争力的性能。尽管这些小型混合模型对移动设备上的视觉任务至关重要，但在这一领域的工作很少。
本文的工作重点是改进一个称为MobileViTs的轻量级模型家族(MobileViTv1和MobileViTv2)。与参数预算为6M或更少的模型相比，MobileViTs在分类任务上通过简单的训练配置获得了具有竞争力的先进结果。在不同的视觉任务，如检测和分割中它也可以作为一个有效的backbone。
虽然只关注6M参数或更少的模型，但作者提出了一个问题:是否有可能通过保持相似的参数和flop来改变模型架构以提高其性能?
为此，本文的工作着眼于Mobilevit Block架构的挑战，并提出了简单有效的方法来融合输入、局部(CNN)和全局(ViT)特征，从而显著提高Imagenet-1K、ADE20k、PascalVOC和COCO数据集上的性能。
作者建议对MobileViTv1 Block进行4个主要更改(其中3个改进主要是基于MobileViTv2 Block):
- 首先，将3×3卷积层替换为1×1卷积层；
- 第二，将局部表示块和全局表示块的特征融合在一起，而不是将输入和全局表示块融合在一起；
- 第三，在生成
Mobilevit Block输出之前，在融合块中添加输入特征作为最后一步； - 最后，在局部表示块中，将普通的3×3卷积层替换为深度3×3卷积层。
这些变化导致了MobileViT-v1 Block的参数和FLOPs的减少，并允许缩放(增加模型的宽度)来创建一个新的MobileViTv3-S, XS和XXS体系结构，它在分类(图1)，分割和检测任务上优于MobileViTv1。例如，在ImageNet-1K数据集上，MobileViTv3-XXS和MobileViTv3-XS在相似参数和FLOPs下的性能分别比MobileViTv1-XXS和MobileViTv1-XS好2%和1.9%。在MobileViTv2中，融合模块不存在。
提出的融合模块被引入到MobileViTv2体系结构中，以创建MobileViTv3-1.0、0.75和0.5体系结构。在相似的参数和FLOPs下，MobileViTv3-0.5和MobileViTv3-0.75在ImageNet-1K数据集上的表现分别优于MobileViTv2-0.5和MobileViTv2-0.75 2.1%和1.0%。
2、本文方法
2.1、 MobileViT-v3 Block
改进1：在融合块中将3×3卷积层替换为1×1卷积层
在融合模块中替换3×3卷积层存在两个主要动机。首先，融合独立于特征图中其他位置的局部和全局特征，以简化融合模块的学习任务。从概念上讲，3×3卷积层融合了输入特征、全局特征以及其他位置的输入和全局特征，这是一项复杂的任务。融合模块的目标可以简化，因为它可以融合输入和全局特征，而不依赖于特征图中的其他位置。因此，作者在融合中使用1×1卷积层，而不是3×3卷积层。
其次，将3×3卷积层替换为1×1卷积层是消除MobileViTv1架构扩展中的主要限制之一。通过改变网络宽度并保持深度恒定，将MobileViT-v1从XXS扩展到S。更改MobileViTv1 Block的宽度（输入和输出通道数）会导致参数和FLOP的数量大幅增加。例如，如果输入和输出通道在MobileViTv1 Block中加倍（2×），则融合模块内3×3卷积层的输入通道数增加4×，输出通道数增加2×，因为输入到3×3卷积层的是输入和全局表示块特征的串联。这导致MobileViTv1 Block的参数和FLOP大幅增加。使用1×1卷积层可避免在缩放时参数和FLOP的大幅增加。
改进2：局部和全局特征融合
在融合层，来自局部和全局表示块的特征在提出的MobileViTv3 Block中串联，而不是输入和全局表示特征。这是因为与输入特征相比，局部表示特征与全局表示特征的关系更为密切。局部表示块的输出通道略高于输入中的通道。这导致融合模块的1×1卷积层的输入特征映射数量增加，但由于3×3卷积层变为1×1卷积层，参数和FLOP的总数明显少于MobileViTv1 Block。
改进3：融合输入特征
输入特征被添加到融合模块中1×1卷积层的输出中。ResNet和DenseNet等模型中的残差连接有助于优化架构中的深层。通过将输入特性添加到融合块的输出中，在新的MobileViTv3架构中引入了这种残差连接。表6所示的消融实验结果表明，这种残差连接有助于提高精度。
改进4：局部表示块中的深度卷积层
为了进一步减少参数，将局部表示块的3×3卷积层替换为深度3×3卷积层。如消融实验结果表明，此变化对Top-1ImageNet-1K精度增益没有太大影响，并提供了良好的参数和精度权衡。
2.2、扩展构建块
应用提出的改进，可以通过增加层的宽度（通道数）来扩展MobileViTv3架构。表1显示了MobileViTv3-S、XS和XXS体系结构及其每层的输出通道、比例因子、参数和FLOP。
