摘要
本文提出了一种轴向位移多层感知机架构（Axial Shifted MLP，简称 AS-MLP）。与 MLP-Mixer 不同，后者通过矩阵转置和单一的 token 混合 MLP 来编码全局空间特征以实现信息流动，本文更注重局部特征之间的交互。通过在特征图的通道维度上进行轴向位移操作，AS-MLP 能够从不同轴向方向获取信息流，从而有效捕捉局部依赖关系。这一设计使得我们能够仅使用纯 MLP 架构即可实现与卷积神经网络（CNN）类似的感受野范围。此外，我们还可沿用卷积神经网络的设计思想，灵活调控 AS-MLP 中模块的感受野大小和扩张率等参数。基于所提出的 AS-MLP 架构，我们的模型在 ImageNet-1K 数据集上实现了 83.3% 的 Top-1 准确率，仅需 88M 参数和 15.2 GFLOPs 的计算量。这一简洁而高效的设计在所有基于 MLP 的架构中表现最优，并在计算量略低的情况下，仍可与基于 Transformer 的架构（如 Swin Transformer）相媲美，展现出极具竞争力的性能。此外，AS-MLP 是首个成功应用于下游任务（如目标检测和语义分割）的基于 MLP 的架构。实验结果同样令人瞩目：在 COCO 验证集上，AS-MLP 达到了 51.5 mAP 的成绩；在 ADE20K 数据集上，取得了 49.5 MS mIoU 的表现，其性能与基于 Transformer 的先进方法相当。综上，AS-MLP 建立了基于 MLP 架构的强有力基线模型。代码已开源，地址为：https://github.com/svip-lab/AS-MLP。