ConViT: improving vision transformers with soft convolutional inductive biases*

计算机科学 地点 归纳偏置 人工智能 卷积神经网络 变压器 机器学习 模式识别(心理学) 多任务学习 任务(项目管理) 管理 电压 经济 哲学 物理 量子力学 语言学
作者
Stéphane d’Ascoli,Hugo Touvron,Matthew L. Leavitt,Ari S. Morcos,Giulio Biroli,Levent Sagun
出处
期刊:Journal of Statistical Mechanics: Theory and Experiment [IOP Publishing]
卷期号:2022 (11): 114005-114005 被引量:395
标识
DOI:10.1088/1742-5468/ac9830
摘要

Abstract Convolutional architectures have proven to be extremely successful for vision tasks. Their hard inductive biases enable sample-efficient learning, but come at the cost of a potentially lower performance ceiling. Vision transformers rely on more flexible self-attention layers, and have recently outperformed CNNs for image classification. However, they require costly pre-training on large external datasets or distillation from pre-trained convolutional networks. In this paper, we ask the following question: is it possible to combine the strengths of these two architectures while avoiding their respective limitations? To this end, we introduce gated positional self-attention (GPSA), a form of positional self-attention which can be equipped with a ‘soft’ convolutional inductive bias. We initialize the GPSA layers to mimic the locality of convolutional layers, then give each attention head the freedom to escape locality by adjusting a gating parameter regulating the attention paid to position versus content information. The resulting convolutional-like ViT architecture, ConViT , outperforms the DeiT (Touvron et al 2020 arXiv: 2012.12877 ) on ImageNet, while offering a much improved sample efficiency. We further investigate the role of locality in learning by first quantifying how it is encouraged in vanilla self-attention layers, then analyzing how it has escaped in GPSA layers. We conclude by presenting various ablations to better understand the success of the ConViT. Our code and models are released publicly at https://github.com/facebookresearch/convit .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
所所应助EXCELSIOR采纳,获得30
刚刚
1秒前
Bolaka发布了新的文献求助10
6秒前
激昂的飞松完成签到,获得积分10
9秒前
10秒前
诚心的雅容完成签到,获得积分20
10秒前
冷酷栾完成签到,获得积分10
10秒前
DD发布了新的文献求助10
11秒前
晊恦发布了新的文献求助10
12秒前
上官若男应助风评采纳,获得10
13秒前
15秒前
在鹿特丹完成签到 ,获得积分10
17秒前
哇哈哈哈完成签到,获得积分10
20秒前
在鹿特丹发布了新的文献求助10
21秒前
寒冷的奇异果完成签到,获得积分10
23秒前
在水一方应助科研通管家采纳,获得10
24秒前
ding应助科研通管家采纳,获得10
24秒前
Hello应助科研通管家采纳,获得10
24秒前
oceanao应助科研通管家采纳,获得10
24秒前
小马甲应助科研通管家采纳,获得10
24秒前
25秒前
芽芽乐完成签到,获得积分10
25秒前
田様应助DD采纳,获得10
27秒前
30秒前
六七发布了新的文献求助10
32秒前
冷酷栾发布了新的文献求助10
33秒前
34秒前
37秒前
44秒前
44秒前
45秒前
英勇的鼠标完成签到,获得积分10
47秒前
48秒前
tommmmmm15发布了新的文献求助10
49秒前
49秒前
123发布了新的文献求助10
49秒前
慕洛月完成签到 ,获得积分10
49秒前
娃哈哈完成签到 ,获得积分10
50秒前
CFF发布了新的文献求助10
51秒前
51秒前
高分求助中
Lire en communiste 1000
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 800
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Becoming: An Introduction to Jung's Concept of Individuation 600
Die Gottesanbeterin: Mantis religiosa: 656 500
Communist propaganda: a fact book, 1957-1958 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3170264
求助须知:如何正确求助?哪些是违规求助? 2821446
关于积分的说明 7934195
捐赠科研通 2481692
什么是DOI,文献DOI怎么找? 1322045
科研通“疑难数据库(出版商)”最低求助积分说明 633451
版权声明 602595