SimMIM: A Simple Framework for Masked Image Modeling

计算机科学 杠杆(统计) 人工智能 遮罩(插图) 图像(数学) 编码(集合论) 模式识别(心理学) 简单(哲学) 任务(项目管理) 机器学习 视觉艺术 艺术 经济 集合(抽象数据类型) 管理 程序设计语言 哲学 认识论
作者
Zhenda Xie,Zheng Zhang,Yue Cao,Yutong Lin,Jianmin Bao,Zhuliang Yao,Qi Dai,Han Hu
出处
期刊:Cornell University - arXiv 被引量:3
标识
DOI:10.48550/arxiv.2111.09886
摘要

This paper presents SimMIM, a simple framework for masked image modeling. We simplify recently proposed related approaches without special designs such as block-wise masking and tokenization via discrete VAE or clustering. To study what let the masked image modeling task learn good representations, we systematically study the major components in our framework, and find that simple designs of each component have revealed very strong representation learning performance: 1) random masking of the input image with a moderately large masked patch size (e.g., 32) makes a strong pre-text task; 2) predicting raw pixels of RGB values by direct regression performs no worse than the patch classification approaches with complex designs; 3) the prediction head can be as light as a linear layer, with no worse performance than heavier ones. Using ViT-B, our approach achieves 83.8% top-1 fine-tuning accuracy on ImageNet-1K by pre-training also on this dataset, surpassing previous best approach by +0.6%. When applied on a larger model of about 650 million parameters, SwinV2-H, it achieves 87.1% top-1 accuracy on ImageNet-1K using only ImageNet-1K data. We also leverage this approach to facilitate the training of a 3B model (SwinV2-G), that by $40\times$ less data than that in previous practice, we achieve the state-of-the-art on four representative vision benchmarks. The code and models will be publicly available at https://github.com/microsoft/SimMIM.

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
chufan完成签到,获得积分10
1秒前
小海绵发布了新的文献求助10
4秒前
从容芮应助优秀的大有采纳,获得50
4秒前
领导范儿应助优秀的大有采纳,获得50
4秒前
今后应助wuwei采纳,获得10
7秒前
JamesPei应助东asdfghjkl采纳,获得10
7秒前
英俊的铭应助跳跃野狼采纳,获得10
7秒前
Lucas应助跳跃野狼采纳,获得10
7秒前
万能图书馆应助跳跃野狼采纳,获得10
7秒前
小蘑菇应助跳跃野狼采纳,获得10
7秒前
cloudyick发布了新的文献求助30
8秒前
9秒前
司为完成签到 ,获得积分10
9秒前
asdfqwer发布了新的文献求助10
10秒前
请加我XP完成签到,获得积分10
10秒前
11秒前
11秒前
yy完成签到,获得积分10
11秒前
14秒前
Man123发布了新的文献求助10
15秒前
15秒前
16秒前
18秒前
yy发布了新的文献求助10
20秒前
hwq123发布了新的文献求助10
20秒前
慕青应助大胆的彩虹采纳,获得10
20秒前
会飞的猪发布了新的文献求助10
22秒前
普通市民7v7完成签到,获得积分20
24秒前
24秒前
等乙天发布了新的文献求助10
24秒前
不配.应助他方世界采纳,获得20
27秒前
27秒前
天天快乐应助木子采纳,获得10
28秒前
Man123完成签到,获得积分20
28秒前
冰水混合物煮香菇关注了科研通微信公众号
29秒前
科研凡发布了新的文献求助10
29秒前
1257应助HPUlyy采纳,获得20
30秒前
31秒前
31秒前
一原君发布了新的文献求助10
32秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
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 3136629
求助须知:如何正确求助?哪些是违规求助? 2787705
关于积分的说明 7782850
捐赠科研通 2443769
什么是DOI,文献DOI怎么找? 1299401
科研通“疑难数据库(出版商)”最低求助积分说明 625440
版权声明 600954