AVESFormer: Diseño eficiente de Transformer para la segmentación audiovisual en tiempo real

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

August 3, 2024

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

cs.AI

Resumen

Recientemente, los modelos basados en transformadores han demostrado un rendimiento notable en tareas de segmentación audiovisual (AVS). Sin embargo, su elevado costo computacional hace que la inferencia en tiempo real sea impracticable. Al caracterizar los mapas de atención de la red, identificamos dos obstáculos clave en los modelos AVS: 1) disipación de atención, que corresponde a los pesos de atención sobreconcentrados por Softmax dentro de marcos restringidos, y 2) un decodificador de transformador ineficiente y pesado, causado por patrones de enfoque estrechos en etapas tempranas. En este documento, presentamos AVESFormer, el primer transformador de Segmentación Audiovisual Eficiente en tiempo real que logra ser rápido, eficiente y ligero simultáneamente. Nuestro modelo aprovecha un generador de consultas eficiente para corregir el comportamiento de la atención cruzada. Además, proponemos el decodificador ELF para lograr una mayor eficiencia al facilitar convoluciones adecuadas para características locales y así reducir las cargas computacionales. Experimentos extensos demuestran que nuestro AVESFormer mejora significativamente el rendimiento del modelo, logrando un 79.9% en S4, 57.9% en MS3 y 31.2% en AVSS, superando el estado del arte anterior y logrando un excelente equilibrio entre rendimiento y velocidad. El código está disponible en https://github.com/MarkXCloud/AVESFormer.git.

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.