AVESFormer: リアルタイム音声-視覚セグメンテーションのための効率的なTransformer設計

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

August 3, 2024

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

cs.AI

要旨

近年、Transformerベースのモデルは音声視覚セグメンテーション（AVS）タスクにおいて顕著な性能を発揮しています。しかし、その高い計算コストのため、リアルタイム推論は実用的ではありません。ネットワークのアテンションマップを分析することで、AVSモデルにおける2つの主要な課題を特定しました：1）アテンションの散逸、これは限定されたフレーム内でのSoftmaxによる過度に集中したアテンション重みに対応し、2）非効率的で負荷の高いTransformerデコーダ、これは初期段階での狭い焦点パターンに起因します。本論文では、高速、効率的、軽量を同時に実現する初のリアルタイム音声視覚効率セグメンテーショントランスフォーマーであるAVESFormerを紹介します。我々のモデルは、クロスアテンションの動作を修正するための効率的なプロンプトクエリ生成器を活用しています。さらに、ローカル特徴に適した畳み込みを促進することで計算負荷を軽減するELFデコーダを提案し、より高い効率を実現します。大規模な実験により、AVESFormerがモデル性能を大幅に向上させ、S4で79.9%、MS3で57.9%、AVSSで31.2%を達成し、従来の最先端を上回り、性能と速度の優れたトレードオフを実現することが示されました。コードはhttps://github.com/MarkXCloud/AVESFormer.gitで公開されています。

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.