AVESFormer : Conception efficace d'un Transformer pour la segmentation audio-visuelle en temps réel

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

August 3, 2024

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

cs.AI

Résumé

Récemment, les modèles basés sur des transformers ont démontré des performances remarquables dans les tâches de segmentation audio-visuelle (AVS). Cependant, leur coût computationnel élevé rend l'inférence en temps réel peu pratique. En caractérisant les cartes d'attention du réseau, nous identifions deux obstacles majeurs dans les modèles AVS : 1) la dissipation de l'attention, correspondant aux poids d'attention trop concentrés par Softmax dans des trames restreintes, et 2) un décodeur transformer inefficace et encombrant, causé par des motifs de focalisation étroite dans les premières étapes. Dans cet article, nous présentons AVESFormer, le premier transformer de segmentation audio-visuelle efficace en temps réel, qui combine rapidité, efficacité et légèreté. Notre modèle exploite un générateur de requêtes prompt efficace pour corriger le comportement de l'attention croisée. De plus, nous proposons un décodeur ELF pour accroître l'efficacité en facilitant les convolutions adaptées aux caractéristiques locales, réduisant ainsi la charge computationnelle. Des expériences approfondies montrent que notre AVESFormer améliore significativement les performances du modèle, atteignant 79,9 % sur S4, 57,9 % sur MS3 et 31,2 % sur AVSS, surpassant les précédents modèles de pointe et offrant un excellent compromis entre performance et vitesse. Le code est disponible à l'adresse 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.