视觉任务中的MetaFormer基线

MetaFormer作为Transformer架构的抽象化形式，已被证实能够在实现优异性能方面发挥重要作用。本文进一步探索MetaFormer的潜力，且不聚焦于token mixer的设计：我们基于MetaFormer构建了若干基础模型，采用最基础或最常见的mixer结构，并总结出以下观察结果：（1）MetaFormer能够确保稳定的性能下限。仅采用恒等映射（identity mapping）作为token mixer时，所提出的MetaFormer模型——IdentityFormer，在ImageNet-1K数据集上即可达到超过80%的准确率。（2）MetaFormer对任意token mixer均具有良好的适应性。即使将token mixer设定为一个随机矩阵，所得到的模型RandFormer仍能实现超过81%的准确率，优于IdentityFormer。这表明，无论未来引入何种新型token mixer，MetaFormer均能稳定输出可靠结果。（3）MetaFormer可轻松实现当前最先进水平的性能。仅使用五年前常见的传统token mixer，基于MetaFormer构建的模型已超越现有SOTA（state-of-the-art）水平。(a) ConvFormer超越ConvNeXt。当采用常见的深度可分离卷积（depthwise separable convolutions）作为token mixer时，所构建的模型ConvFormer可被视为纯卷积神经网络（CNN），其性能仍显著优于强基准模型ConvNeXt。(b) CAFormer在ImageNet-1K上创下新纪录。通过在底层阶段使用深度可分离卷积作为token mixer，在顶层阶段采用标准自注意力机制（vanilla self-attention），所得到的CAFormer在224×224分辨率下，仅通过常规监督训练（无外部数据或知识蒸馏），即达到85.5%的准确率，刷新了ImageNet-1K上的新纪录。在对MetaFormer的深入探究中，我们还发现一种新型激活函数StarReLU，其计算开销相比GELU可减少71%的浮点运算量（FLOPs），同时性能更优。我们预期StarReLU在MetaFormer类模型以及其他神经网络架构中均具有广阔的应用潜力。