AVESFormer: Effizientes Transformer-Design für Echtzeit-Audio-Visuelle Segmentierung

AVESFormer: Efficient Transformer Design for Real-Time Audio-Visual Segmentation

August 3, 2024

Autoren: Zili Wang, Qi Yang, Linsu Shi, Jiazhong Yu, Qinghua Liang, Fei Li, Shiming Xiang

cs.AI

Zusammenfassung

In letzter Zeit haben transformerbasierte Modelle eine bemerkenswerte Leistung bei Audio-Visual Segmentation (AVS) Aufgaben gezeigt. Ihre hohe Rechenkosten machen jedoch eine Echtzeit-Inferenz unpraktisch. Durch die Charakterisierung der Aufmerksamkeitskarten des Netzwerks identifizieren wir zwei Hauptprobleme bei AVS-Modellen: 1) Aufmerksamkeitsdissipation, die den überkonzentrierten Aufmerksamkeitsgewichten durch Softmax innerhalb begrenzter Rahmen entspricht, und 2) ineffizienter, belastender Transformer-Decoder, verursacht durch enge Fokuspunktmuster in frühen Stadien. In diesem Artikel stellen wir AVESFormer vor, den ersten Echtzeit-Audio-Visuellen Effizienten Segmentierungs-Transformer, der gleichzeitig schnell, effizient und leichtgewichtig ist. Unser Modell nutzt einen effizienten Prompt-Abfragegenerator, um das Verhalten der Kreuz-Aufmerksamkeit zu korrigieren. Darüber hinaus schlagen wir den ELF-Decoder vor, um eine größere Effizienz zu erzielen, indem wir Faltungen vorschlagen, die für lokale Merkmale geeignet sind, um die Rechenlast zu reduzieren. Umfangreiche Experimente zeigen, dass unser AVESFormer die Modellleistung signifikant verbessert und 79,9% auf S4, 57,9% auf MS3 und 31,2% auf AVSS erreicht, wodurch frühere State-of-the-Art-Modelle übertroffen werden und ein ausgezeichnetes Gleichgewicht zwischen Leistung und Geschwindigkeit erzielt wird. Der Code ist unter https://github.com/MarkXCloud/AVESFormer.git verfügbar.

English

Recently, transformer-based models have demonstrated remarkable performance on audio-visual segmentation (AVS) tasks. However, their expensive computational cost makes real-time inference impractical. By characterizing attention maps of the network, we identify two key obstacles in AVS models: 1) attention dissipation, corresponding to the over-concentrated attention weights by Softmax within restricted frames, and 2) inefficient, burdensome transformer decoder, caused by narrow focus patterns in early stages. In this paper, we introduce AVESFormer, the first real-time Audio-Visual Efficient Segmentation transformer that achieves fast, efficient and light-weight simultaneously. Our model leverages an efficient prompt query generator to correct the behaviour of cross-attention. Additionally, we propose ELF decoder to bring greater efficiency by facilitating convolutions suitable for local features to reduce computational burdens. Extensive experiments demonstrate that our AVESFormer significantly enhances model performance, achieving 79.9% on S4, 57.9% on MS3 and 31.2% on AVSS, outperforming previous state-of-the-art and achieving an excellent trade-off between performance and speed. Code can be found at https://github.com/MarkXCloud/AVESFormer.git.