视觉 Transformer 的可视化｜CVPR2021

近两年，“Transformer”的热潮从自然语言处理领域席卷至计算机视觉领域。Transformer及其衍生方法不仅是几乎所有NLP基准测试中最先进的方法，还成为了传统计算机视觉任务中的领先工具。在结果公布不久的CVPR2021中，与Transformer相关的工作数量也十分可观。

来自FAIR和以色列特拉维夫大学的学者在CVPR2021中发表了一篇名为“Transformer Interpretability Beyond Attention Visualization”的论文。在这篇论文中，作者提出了一种计算Transformer网络结构相关性的新颖方法，首次实现Transformer的可视化能针对不同类呈现不同且准确的效果。

该方法基于深度泰勒分解原理分配局部相关性，而后将相关性传播到各层。与以往方法相比不同的是，它的传播涉及注意层和残差连接。与此同时，作者在最新的视觉Transformer网络以及文本分类任务上进行了基准测试，证明了该方法相对于现有可解释性方法的明显优势。

目前，作者已经公布了该工作的开源代码：

代码地址：https://github.com/hila-chefer/Transformer-Explainability
论文链接：https://arxiv.org/abs/2012.09838

论文简介

可视化对于Transformer的模型调试、验证等过程都非常重要，而目前现有工作对于Transformer可视化的探索并不是很多。

过去可视化Transformer模型常见的做法是，针对单个注意力层，将注意力视为相关性得分；另一种则是组合多个注意力层，简单地平均获得每个标记的注意力。但由于更深的层更具有语义，而每次应用自注意力时，每个标记都会积累额外的上下文，这会导致信号模糊，各层的不同作用被忽视，并使得不相关的标记被凸显。

Transformer严重依赖于残差连接和注意力运算符，这两者都涉及两个激活图的混合。此外，Transformer使用ReLU以外的其他非线性因素，这会同时带来正向和负向的特征。由于存在非正值，如若处理不当，则残差连接会导致数值的不稳定。

针对上述问题，本文作者引入适用于正面和负面归因的相对传播规则，并提出了针对非参数层的归一化项，如矩阵乘法。同时，整合注意力与相关性得分，并将结果整合到多个注意力模块中。

在实践中，计算机视觉使用的许多可解释性方法并不是特定于类的，即无论尝试可视化的类是什么，即便对于包含多个对象的图像，也会返回相同的可视化效果。因而特定于类的信号通常会因为图像的显著区域而变得模糊。本文的方法则设计提供了基于类的分离，这也是目前唯一能够呈现此属性的Transformer可视化方法。

方法介绍

本文采用基于LRP[1]的相关性来计算Transformer每一层中每个注意力层的得分，通过合并相关性和梯度信息，通过迭代消除负面影响，然后将它们整合到注意力图中，得到自注意力模型特定于类的可视化。

相关性和梯度

令 为分类头的类数， 为要可视化的类，并传播关于 的相关性和梯度。将 表示为层 的输入，其中 是由 层组成网络中的层索引， 是输入， 是输出。通过链式规则，将梯度传播到分类器的输出 ：

用 表示该层在两个张量 和 上的操作。通常，这两个张量是输入特征图和第 层的权重。相关性传播遵循通用的深度泰勒分解公式：

非参数相关传播

Transformer模型中有两个运算符涉及两个特征图张量的混合（与具有学习张量的特征图相反）：残差连接和矩阵乘法。这两个运算符需要通过两个输入张量传播相关性。给定两个张量 和 ，我们计算这些二进制运算符的相关性传播如下：

证明得到：

相关性和梯度扩散

令 为一个由 模块组成的Transformer模型，其中每一个模块由自注意力，残差连接以及附加的线性层和归一化层组成。该模型将维数为 ，长度为 的标记序列作为输入，为类别输出作特殊标记，输出由分类标记向量计算出的长度为 的分类概率向量 。自注意模块在输入维度为 的小空间 上运行， 为head数量。自注意模块的定义如下：

实验与结果

对于语言分类任务，作者使用基于BERT的模型作为分类器，假设最多512个标记，并使用分类标记作为分类头的输入。对于视觉分类任务，作者采用基于ViT的预训练模型。输入图像尺寸为 的所有不重叠色块的序列，线性化图层以生成向量序列。

下图给出了本文的方法与各种基线方法之间的直观比较。可以看出，本文方法获得了更加清晰一致的可视化。

下图显示了带有两个对象的图像，每个对象来自不同的类。可以看出，除GradCAM之外，所有方法对不同类都产生了相似的可视化效果，而本文方法则取得了两个不同且准确的可视化效果，因而证明该方法是特定于类的。

下表为在ImageNet验证集上，预测类别和目标类别的正负扰动AUC结果。

ImageNet分割数据集上的分割性能：

本文方法不同消融方案性能：

参考文献：
[1] Alexander Binder, Gre ́goire Montavon, Sebastian La- puschkin, Klaus-Robert Mu ̈ller, and Wojciech Samek. Layer-wise relevance propagation for neural networks with local renormalization layers. In International Conference on Artificial Neural Networks, pages 63–71. Springer, 2016. 1, 7, 8