摘要：最近，Transformer在计算机视觉方面取得了令人鼓舞的进展。在本研究中，本文通过增加(1)线性复杂度注意层、(2)重叠贴片嵌入和(3)卷积前馈网络三种设计，改进了原始的金字塔视觉转换器(PVT v1)，提出了新的基线。通过这些改进，PVT v2将PVT v1的计算复杂度降为线性，并在分类、检测和分割等基本视觉任务上实现了显著改进。值得注意的是，PVT v2与Swin Transformer等最近的作品相比，取得了相当或更好的性能。本文希望这项工作将促进最先进的变压器在计算机视觉的研究。代码可以在https://github.com/whai362/PVT上找到

相较于PVT，PVTv2增加了三部分 (1) Linear complexity attention layer, (2) Overlapping patch embedding (3) Convolutional feed-forward network.

PVT存在的三点限制：

（1）与ViT类似，当处理高分辨率输入时，PVT v1的计算复杂度相对较大

（2）PVT v1将图像视为非重叠块序列，这在一定程度上失去图像的局部连续

（3）PVT v1中的位置编码是固定大小，这对于任意大小的处理图像是不灵活的

Linear Spatial Reduction Attention (Linear SRA)

首先为了降低注意操作引起的高计算成本，本文提出了线性空间注意（Linear SRA）层，与使用卷积进行空间约简的SRA不同，线性SRA使用平均池化将空间维数（即h×w）降低到固定的大小（即P×P）。因此线性SRA就像卷积层一样具有线性计算和内存成本

Overlapping Patch Embedding (OPE)

其次，为了对局部连续性信息进行建模，本文利用重叠斑块嵌入技术对图像进行标记化。本文扩大了补丁窗口，使相邻的窗口重叠了一半的区域，并用零填充特征图以保持分辨率。在这项工作中，本文使用卷积与零的padding来实现重叠的补丁嵌入。具体来说，给定大小为h×w×c的输入，本文将其与S的stride、2S?1的核kernel、S?1的padding进行卷积

Convolutional Feed-Forward Network

第三本文删除了固定大小的位置编码，并在PVT中引入零填充位置编码，本文在前馈网络中第一个全连接层和GELU之间添加了3×3的深度可分离卷积。 在PVT V1中，位置编码是使用nn.Parameter生成一组可学习的位置编码，在PVT V2中,直接删除了位置编码（作者直接删除了位置编码，在MLP层中添加了深度卷积，用0进行权重初始化）。

PVTv2变体的具体参数配置如下表所示：

在YOLOv5项目中添加PVTv2模型作为Backbone使用的教程：

（1）将YOLOv5项目的models/yolo.py修改parse_model函数以及BaseModel的_forward_once函数

（2）在models/backbone（新建）文件下新建pvtv2.py，添加如下的代码：

（3）在models/yolo.py导入模型并在parse_model函数中修改如下

（4）在model下面新建配置文件：yolov5_pvtv2.yaml

（5）运行验证：在models/yolo.py文件指定--cfg参数为新建的yolov5_pvtv2.yaml