AVESFormer: Design eficiente de Transformer para Segmentação Audiovisual em Tempo 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

Resumo

Recentemente, os modelos baseados em transformadores têm demonstrado um desempenho notável em tarefas de segmentação áudio-visual (SAV). No entanto, seu custo computacional elevado torna a inferência em tempo real impraticável. Ao caracterizar os mapas de atenção da rede, identificamos dois obstáculos-chave nos modelos de SAV: 1) dissipação de atenção, correspondente aos pesos de atenção superconcentrados pelo Softmax dentro de quadros restritos, e 2) decodificador de transformador ineficiente e pesado, causado por padrões de foco estreitos nas fases iniciais. Neste artigo, apresentamos o AVESFormer, o primeiro transformador de Segmentação Áudio-Visual Eficiente em tempo real que alcança rapidez, eficiência e leveza simultaneamente. Nosso modelo utiliza um gerador de consulta eficiente para corrigir o comportamento da inter-atenção. Adicionalmente, propomos o decodificador ELF para trazer maior eficiência ao facilitar convoluções adequadas para características locais e reduzir as cargas computacionais. Experimentos extensivos demonstram que nosso AVESFormer melhora significativamente o desempenho do modelo, alcançando 79,9% no S4, 57,9% no MS3 e 31,2% no AVSS, superando o estado-da-arte anterior e alcançando um excelente equilíbrio entre desempenho e velocidade. O código pode ser encontrado em 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.