AVESFormer: Эффективное проектирование трансформера для сегментации аудиовизуальных данных в реальном времени

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

August 3, 2024

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

cs.AI

Аннотация

Недавно модели на основе трансформеров продемонстрировали выдающуюся производительность в задачах аудиовизуальной сегментации (AVS). Однако их высокая вычислительная стоимость делает реальное время вывода нереальным. Анализируя карты внимания сети, мы выявляем две ключевые проблемы в моделях AVS: 1) диссипацию внимания, соответствующую излишне сосредоточенным весам внимания по Softmax в ограниченных кадрах, и 2) неэффективный, обременительный декодер трансформера, вызванный узкими образцами фокусировки на ранних этапах. В данной статье мы представляем AVESFormer, первый в реальном времени аудиовизуальный эффективный сегментационный трансформер, достигающий быстроты, эффективности и легкости одновременно. Наша модель использует эффективный генератор запросов для исправления поведения кросс-внимания. Кроме того, мы предлагаем декодер ELF для достижения большей эффективности путем облегчения сверток, подходящих для локальных особенностей, с целью снижения вычислительной нагрузки. Обширные эксперименты демонстрируют, что наш AVESFormer значительно улучшает производительность модели, достигая 79.9% на S4, 57.9% на MS3 и 31.2% на AVSS, превосходя предыдущие передовые технологии и достигая отличного компромисса между производительностью и скоростью. Код можно найти по ссылке 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.