LocalMamba: Modelo de Espacio de Estados Visual con Escaneo Selectivo Ventaneado

LocalMamba: Visual State Space Model with Windowed Selective Scan

March 14, 2024

Autores: Tao Huang, Xiaohuan Pei, Shan You, Fei Wang, Chen Qian, Chang Xu

cs.AI

Resumen

Los recientes avances en los modelos de espacio de estados, particularmente Mamba, han demostrado un progreso significativo en el modelado de secuencias largas para tareas como la comprensión del lenguaje. Sin embargo, su aplicación en tareas de visión no ha superado notablemente el rendimiento de las Redes Neuronales Convolucionales (CNNs) tradicionales y los Transformers de Visión (ViTs). Este artículo postula que la clave para mejorar Vision Mamba (ViM) radica en optimizar las direcciones de escaneo para el modelado de secuencias. Los enfoques tradicionales de ViM, que aplanan los tokens espaciales, pasan por alto la preservación de las dependencias locales 2D, lo que alarga la distancia entre tokens adyacentes. Introducimos una novedosa estrategia de escaneo local que divide las imágenes en ventanas distintas, capturando eficazmente las dependencias locales mientras se mantiene una perspectiva global. Además, reconociendo las preferencias variables de patrones de escaneo en las diferentes capas de la red, proponemos un método dinámico para buscar de manera independiente las opciones de escaneo óptimas para cada capa, mejorando sustancialmente el rendimiento. Experimentos exhaustivos en modelos tanto planos como jerárquicos destacan la superioridad de nuestro enfoque en la captura efectiva de representaciones de imágenes. Por ejemplo, nuestro modelo supera significativamente a Vim-Ti en un 3.1% en ImageNet con los mismos 1.5G FLOPs. El código está disponible en: https://github.com/hunto/LocalMamba.

English

Recent advancements in state space models, notably Mamba, have demonstrated significant progress in modeling long sequences for tasks like language understanding. Yet, their application in vision tasks has not markedly surpassed the performance of traditional Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs). This paper posits that the key to enhancing Vision Mamba (ViM) lies in optimizing scan directions for sequence modeling. Traditional ViM approaches, which flatten spatial tokens, overlook the preservation of local 2D dependencies, thereby elongating the distance between adjacent tokens. We introduce a novel local scanning strategy that divides images into distinct windows, effectively capturing local dependencies while maintaining a global perspective. Additionally, acknowledging the varying preferences for scan patterns across different network layers, we propose a dynamic method to independently search for the optimal scan choices for each layer, substantially improving performance. Extensive experiments across both plain and hierarchical models underscore our approach's superiority in effectively capturing image representations. For example, our model significantly outperforms Vim-Ti by 3.1% on ImageNet with the same 1.5G FLOPs. Code is available at: https://github.com/hunto/LocalMamba.