0

写在前面

通过Self-Attention和Co-Attention机制，Transformer在多个多模态下游任务中达到了SOTA的性能。这些注意模块也在其他计算机视觉任务中发挥了作用，包括目标检测和图像分割等任务。与只使用Self-Attention的Transformer不同，具有Co-Attention的Transformer需要并行考虑多个Attention Map，以突出模型输入与预测的相关性。

关于Self-Attention的可解释性，作者在另一篇CVPR论文[1]中进行了论述，本文可以说是CVPR论文的一个扩充版，在那篇论文中，作者主要阐述了Self-Attention的可解释性，在本文中作者对三种Attention方式的可解释性进行了阐述，分别为(i) pure self-attention, (ii) self-attention combined with co-attention (iii) encoder-decoder attention。

1

论文和代码地址

论文：https://arxiv.org/abs/2103.15679
代码：https://github.com/hila-chefer/Transformer-MM-Explainability

2

Motivation

目前Transformer被用在了各种CV、NLP、Multi-modal的任务当中，并达到了前所未有的性能。多模态任务中的Transformer通常需要融合多个模态的信息（比如文本和图像）。

对于多模态信息的处理，主要有两种方式，第一种是：首先对于文本和图像信息分别用Transformer Encoder和CNN进行特征提取，然后通过对比学习的损失函数，使得这两个模态同一类样本的特征能够尽可能相似，不同类样本的特征尽可能不相似（如上图所示）。

第二种是：将文本特征和图像特征concat之后，送入到Transformer结构中，如上图所示。

还有一类是不只包含Self-Attention机制的Transformer模型，模型通常接收来自一个模态的输入，并根据另一个模态产生输出（如上图所示）。这些模型通常被用来做目标检测、图像分割、机器翻译等生成任务。

对于多模态信息的处理方式还有很多，相同点是这些结构都需要学习两个输入特征到输出的一个映射，这个映射包含了两种模式之间的相互作用。这些交互的模块通常采用的Attention-based模型。在Transformer中，除了Self-Attention，其他Attention的可解释性都还未被发掘。

为了填补Transformer可解释性这部分的空白，作者提出了适用所有Transformer结构的可解释性方法。相比于现有的可解释性方法，本文的方法更易实现。

3

方法

本文的方法使用模型的注意层来为网络中输入模态之间的每个交互，生成相关性映射（relevancy map）（相比于原始的attention map，这个relevancy map更具有可解释性）。

首先和分别为文本和图像的token输入为像个模态关联的变量。多模态任务中通常包含四种交互关系：，，为文本和图像模态内的交互关系；，为图像和文本模态间的交互关系，表示图像token对每个文本token的影响，表示文本token对每个图像token的影响。

为了构建模态内和模态间的交互关系，本文通过relevancy map来描述这种交互关系，，为模态内的可解释交互，，为图像和文本模态间的可解释交互关系。

本文的方法就是通过计算和更新relevancy map，来表示Transformer中attention模块的可解释性。

3.1. Relevancy 初始化

在进行Attention操作之前，每个token都是独立的，所以首先需要对相关性映射（relevancy map）进行初始化，模态内的relevancy map，只是将对角线的元素设置为1，其他元素设置为0（也就是一个单位矩阵）；对于模态间的relevancy map，将所有元素都设置为0（也就是刚开始，所有token之间都没关系）。

3.2. Relevancy更新规则

Transformer中的Attention计算方式如下：

其中Q、K、V同一个模态的信息时，就是Self-Attention，如下图（a）所示；如果K、V为上下文信息，那就是Co-Attention，如下图（b）所示。

在本文的方法中，采用了每个注意层的Attention Map来更新相关性映射。由于每一个Attention Map都是由h个head组成的，作者使用梯度来平均h个head（至于为什么不直接平均，还是乘上梯度之后再平均？作者在文中指出attention map每个head的重要性和相关性不同，因此简单的平均每个head的信息会导致扭曲整个Attention map的信息 ）。Attention Map的计算如下所示：

最终，对于Self-Attention中的Attention操作，作者采用了下面的规则来更新相关性映射矩阵：

除了Self-Attention，作者提出了还有Co-Attention，由于Co-Attention在初始化的时候是全0的矩阵，所以采用上面的方式更新是不行的。因此，作者采用了另一种方式来更新Co-Attention的相关性映射矩阵：

3.3. Adaptation to attention types

上图展示了三种attention的结构

第一种（a）为VisualBERT使用的纯Self-Attention的结构，这种结构只使用Self-Attention来建模两个模态的信息；

第二种（b）为LXMERT的结构，采用了Self-Attention和Co-Attention结合的方式，这种结构通过co-attention模块来建模两个模态的信息；

第三种（c）为DETR的结构，采用了encoder和decoder结合的方式，是一种生成模型的常用方式，一个模态信息输入，输出是根据另一个模态的信息得到。

4

实验

作者根据在上面提出的三个结构上，对比了先前的可解释性方法和本文方法的效果。

VisualBERT

上图为VisualBERT测试的结果，(a)图像token的负样本扰动（按重要性从低到高扰动），(b)图像token上的正样本扰动、(c)文本token上的负样本扰动，(d)文本token上的正样本扰动。对于负样本扰动，较大的AUC更好；对于正样本扰动，较小的AUC更好。

可以看出本文的方法能够很好的衡量图像token和文本token在特定任务上的重要性。

LXMERT

上图为LXMERT上的测试结果，效果与VisualBERT相似，本文提出的方法能够很好的衡量图像token和文本token在特定任务上的重要性。

VQA

从上图可以看出，本文的方法相比于其他可解释方法，在可视化方面有非常大的优越性。

Segmentation

对于DETR结构，作者将本文方法和其他可解释方法的attention map可视化出来，发现本文的方法attention的区域基本就是物体的主体区域。

将本文的attention结果作为弱监督分割的结果，可以看出在performance远超过其他可解释性方法，尤其在大物体的性能提升上非常明显。

5

总结

Transformer在计算机视觉中扮演着越来越重要的角色，跨模态的Transformer也在各种下游任务中取得了非常好的performance。为了能够使得Transformer适应于各种下游任务，需要有对Transformer进行可解释性分析的方法。

而目前对Transformer进行可解释性分析的方法大多都是对Self-Attention进行可解释性分析，但是对于跨模态任务来说Co-Attention是一个更加重要的部分，本文作者提出的可解释方法能够对各种Transformer结构进行可解释性分析，并且通过实验证明了，本文的方法大大优于其他的可解释性方法。

参考文献

[1]. Chefer, Hila, Shir Gur, and Lior Wolf. "Transformer interpretability beyond attention visualization." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition . 2021.

备注：TFM

Transformer交流群

Transformer等最新资讯，若已为CV君其他账号好友请直接私信。

在看，让更多人看到