AS-MLP: AN AXIAL SHIFTED MLP ARCHITECTURE FOR VISION

AS-MLP（Axial Shifted MLP）是一种用于视觉任务的MLP架构，由上海科技大学和腾讯优图实验室合作发表的研究论文提出。该架构解决了传统MLP网络架构在全局信息交流方面的问题，忽视了局部信息的收集。在计算机视觉中，局部特征对于识别和分割等任务非常重要。

AS-MLP的关键思想是通过沿空间轴向对特征图进行shift操作，使得不同位置的特征处于相同的通道中。然后使用Channel Projection来融合不同位置的特征，实现局部性信息的交流。这种思想类似于ShuffleNet。AS-MLP是首个将MLP架构迁移到下游任务的网络，与Swin的骨干思想基本一致，通过对token进行叠加来实现下采样。

AS-MLP在ImageNet数据集上取得了比其他MLP架构更好的性能，在COCO检测和ADE20K分割任务上与以Swin为骨干相当（略弱）的性能。这表明AS-MLP在视觉任务中具有很好的应用潜力。

未来的工作中，研究人员将进一步研究AS-MLP在自然语言处理中的有效性，并探索其在其他下游任务中的性能。 <span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>

相关问题

mlp-mixer: an all-mlp architecture for vision

### 回答1：
mlp-mixer是一种全MLP架构，用于视觉任务。它使用多层感知机（MLP）来代替传统的卷积神经网络（CNN）来处理图像。这种架构的优点是可以更好地处理不同尺度和方向的特征，同时减少了计算和内存消耗。它在许多视觉任务中表现出色，例如图像分类、目标检测和语义分割。

### 回答2：
mlp-mixer是一种全连接多层感知器（Multi-Layer Perceptron，MLP）网络架构，用于视觉场景的图像分类任务。它是在自然语言处理领域中Transformer的启发下发展起来的。与CNN、ResNet等传统的卷积神经网络架构不同，mlp-mixer主要采用全连接层（FC）和MLP Block。

mlp-mixer架构设计的主要思想是将全局信息和本地信息分离，然后通过一系列由FC和MLP Block组成的混合层进行特征提取。在每个MLP Block中，特征向量会被分成多个部分进行局部特征提取，之后再全局汇聚。这样可以保证局部信息不会在多次卷积操作后丢失，并且全局信息的汇聚也是非常高效的。

另外，mlp-mixer架构中的Layer Norm和MLP Block中的GELU激活函数等技术也是有其特点的。Layer Norm是比Batch Norm更加具有一般性的归一化技术，可以提高模型对小批量数据的扩展性。而GELU激活函数在接近0处光滑，对精度保持了很好的提升。这些技术的运用让mlp-mixer模型具有了更好的稳定性和鲁棒性。

综上所述，mlp-mixer是一个全新的神经网络架构，其与传统的卷积神经网络的不同点在于摆脱了卷积操作，通过全连接层和MLP Block等模块提取图像特征。该模型有很强的泛化性，并且在图像分类任务上取得了不错的效果。它的优点在于良好的可扩展性和可解释性，且训练效果非常稳定。在未来，mlp-mixer模型或许有望在计算机视觉领域中取得更进一步的发展。

### 回答3：
MLP-Mixer是一种全MLP（多层感知器）的架构，可以应用于视觉任务中的图像分类和目标检测等任务。MLP-Mixer在CVPR 2021中被提出并于同年6月被公开发布。

传统的卷积神经网络（CNN）被广泛应用于计算机视觉领域。但是，随着计算机视觉任务的不断发展和增加，如何更好地处理不同类型和规模的数据集，成为了一个挑战。因此，MLP-Mixer尝试解决传统卷积神经网络中一些问题，例如参数共享、池化和批归一化等。

MLP-Mixer的主要思想是将传统的卷积操作替换为由若干密集连接层（全连接层）组成的mixing层。传统的卷积操作只考虑空间上的邻居关系，而mixing层考虑全局视角。mixing层通过对不同通道（channel）的信息进行交互，捕捉不同通道之间的全局相关性，提高了特征提取的效率和性能，同时降低卷积神经网络的复杂性。

此外，MLP-Mixer还引入了多层感知器池化层（MLP Pooling Layer）代替传统的最大池化层（Max Pooling Layer），使神经网络更加灵活和高效。MLP-Mixer考虑到了计算机视觉中不同尺度的特征信息，通过MLP池化层进行特征重组和降维，使得神经网络可以处理多尺度特征信息，提高特征提取的精度和速度。

总的来说，MLP-Mixer是一种全MLP的架构，其独特的mixing层和MLP Pooling层相比传统的卷积神经网络有着更好的性能和可扩展性。未来，MLP-Mixer有望在计算机视觉领域的各种任务中得到广泛的应用。

apiVersion: apps/v1 kind: Deployment metadata: name: service-bankname-match labels: app: service-bankname-match spec: replicas: 1 selector: matchLabels: app: service-bankname-match template: metadata: labels: app: service-bankname-match spec: containers: - image: artifactory.dev.cmbc.cn:31345/mlp-docker-sit-local/20230518/service-bankname-match:2000038692v29 name: service-bankname-match imagePullPolicy: "IfNotPresent" lifecycle: preStop: exec: command: - /bin/sh - -c - /java/pset/stop.sh workingDir: /app/service-bankname-match command: ['sh','app/start_server.sh'] ports: - containerPort: 8080 env: - name: MONITOR_TYPE value: CONTAINER_ONLY - name: cmbc_logs_banknamematch value: stdout - name: cmbc_logs_banknamematch_tags value: topic=elk-k8s-mlp-mopen resources: requests: cpu: 1500m memory: "4Gi" limits: cpu: "8" memory: "8Gi" readinessProbe: failureThreshold: 3 httpGet: path: /healthz port: 8080 scheme: HTTP initialDelaySeconds: 60 periodSeconds: 60 timeoutSeconds: 120 livenessProbe: failureThreshold: 3 httpGet: path: /healthz port: 8080 scheme: HTTP initialDelaySeconds: 60 periodSeconds: 60 timeoutSeconds: 120 nodeSelector: app_name: testapp

这段代码是一个 Kubernetes 的 Deployment 文件，用于部署一个名为 `service-bankname-match` 的应用。该应用使用的镜像为 `artifactory.dev.cmbc.cn:31345/mlp-docker-sit-local/20230518/service-bankname-match:2000038692v29`，容器监听的端口为 8080。此外，该应用还定义了一些环境变量，资源请求和限制，以及 readiness 和 liveness 探针。最后，该 Deployment 文件还指定了一个 `nodeSelector`，用于将该应用调度到特定的节点上。