摘要

视觉变换器在各种视觉任务上取得了显著的改进，但其令牌之间的二次交互显著降低了计算效率。近期，许多剪枝方法被提出以去除冗余令牌，从而实现高效的视觉变换器。然而，现有的研究主要集中在保留局部关注令牌的令牌重要性上，而完全忽略了全局令牌多样性。本文强调了多样化全局语义的重要性，并提出了一种有效的令牌解耦和合并方法，该方法可以同时考虑令牌的重要性和多样性进行剪枝。根据类别令牌注意力，我们解耦了关注和非关注令牌。除了保留最具区分性的局部令牌外，我们还合并了相似的非关注令牌，并匹配同质的关注令牌，以最大化令牌多样性。尽管该方法简单，但在模型复杂度和分类准确性之间取得了令人满意的平衡。在DeiT-S模型上，我们的方法减少了35%的浮点运算次数（FLOPs），仅导致0.2%的准确率下降。值得注意的是，由于保持了令牌多样性，我们的方法在减少DeiT-T模型40%的浮点运算次数后，甚至将其准确率提高了0.1%。