AVESFormer: Progettazione Efficiente di Transformer per la Segmentazione Audio-Visiva in Tempo Reale

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

August 3, 2024

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

cs.AI

Abstract

Recentemente, i modelli basati su transformer hanno dimostrato prestazioni eccezionali nei compiti di segmentazione audio-visiva (AVS). Tuttavia, il loro elevato costo computazionale rende impraticabile l'inferenza in tempo reale. Analizzando le mappe di attenzione della rete, abbiamo identificato due ostacoli chiave nei modelli AVS: 1) la dissipazione dell'attenzione, corrispondente ai pesi di attenzione eccessivamente concentrati da Softmax all'interno di frame ristretti, e 2) il decoder transformer inefficiente e oneroso, causato da schemi di attenzione ristretti nelle fasi iniziali. In questo articolo, presentiamo AVESFormer, il primo transformer per la segmentazione audio-visiva efficiente in tempo reale che combina velocità, efficienza e leggerezza. Il nostro modello sfrutta un generatore di query prompt efficiente per correggere il comportamento dell'attenzione incrociata. Inoltre, proponiamo il decoder ELF per aumentare l'efficienza, facilitando convoluzioni adatte alle caratteristiche locali per ridurre il carico computazionale. Esperimenti estensivi dimostrano che il nostro AVESFormer migliora significativamente le prestazioni del modello, raggiungendo il 79,9% su S4, il 57,9% su MS3 e il 31,2% su AVSS, superando i precedenti state-of-the-art e ottenendo un ottimo compromesso tra prestazioni e velocità. Il codice è disponibile all'indirizzo 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.