亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet

安全性令牌 计算机科学 变压器 人工智能 像素 刮擦 模式识别(心理学) 词汇分析 程序设计语言 计算机网络 工程类 电压 电气工程
作者
Li Yuan,Yunpeng Chen,Tao Wang,Weihao Yu,Yujun Shi,Zihang Jiang,Francis E. H. Tay,Jiashi Feng,Shuicheng Yan
出处
期刊: 被引量:1234
标识
DOI:10.1109/iccv48922.2021.00060
摘要

Transformers, which are popular for language modeling, have been explored for solving vision tasks recently, e.g., the Vision Transformer (ViT) for image classification. The ViT model splits each image into a sequence of tokens with fixed length and then applies multiple Transformer layers to model their global relation for classification. However, ViT achieves inferior performance to CNNs when trained from scratch on a midsize dataset like ImageNet. We find it is because: 1) the simple tokenization of input images fails to model the important local structure such as edges and lines among neighboring pixels, leading to low training sample efficiency; 2) the redundant attention backbone design of ViT leads to limited feature richness for fixed computation budgets and limited training samples. To overcome such limitations, we propose a new Tokens-To-Token Vision Transformer (T2T-VTT), which incorporates 1) a layer-wise Tokens-to-Token (T2T) transformation to progressively structurize the image to tokens by recursively aggregating neighboring Tokens into one Token (Tokens-to-Token), such that local structure represented by surrounding tokens can be modeled and tokens length can be reduced; 2) an efficient backbone with a deep-narrow structure for vision transformer motivated by CNN architecture design after empirical study. Notably, T2T-ViT reduces the parameter count and MACs of vanilla ViT by half, while achieving more than 3.0% improvement when trained from scratch on ImageNet. It also outperforms ResNets and achieves comparable performance with MobileNets by directly training on ImageNet. For example, T2T-ViT with comparable size to ResNet50 (21.5M parameters) can achieve 83.3% top1 accuracy in image resolution 384x384 on ImageNet. 1

科研通智能强力驱动
Strongly Powered by AbleSci AI
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
慕青应助gg采纳,获得10
2秒前
dom发布了新的文献求助10
12秒前
17秒前
dyr发布了新的文献求助10
22秒前
31秒前
怡然夏瑶完成签到,获得积分10
42秒前
att应助dom采纳,获得10
1分钟前
尊嘟假嘟应助科研通管家采纳,获得30
1分钟前
Kao应助科研通管家采纳,获得10
1分钟前
Kao应助科研通管家采纳,获得10
1分钟前
迷人莺完成签到,获得积分10
1分钟前
att应助dom采纳,获得10
1分钟前
1分钟前
ting完成签到,获得积分10
1分钟前
一个靓仔发布了新的文献求助10
1分钟前
共享精神应助一个靓仔采纳,获得10
1分钟前
光亮的正豪完成签到,获得积分10
1分钟前
一个靓仔完成签到,获得积分10
2分钟前
2分钟前
2分钟前
gg发布了新的文献求助10
2分钟前
gg完成签到,获得积分10
2分钟前
平淡夏青完成签到,获得积分10
2分钟前
小朱完成签到,获得积分10
3分钟前
尼古拉斯完成签到,获得积分10
3分钟前
尊嘟假嘟应助科研通管家采纳,获得10
3分钟前
Kao应助科研通管家采纳,获得10
3分钟前
3分钟前
怡然初阳完成签到,获得积分10
3分钟前
Debbieee发布了新的文献求助10
3分钟前
无花果应助Chen采纳,获得10
3分钟前
傻傻的曼柔完成签到,获得积分10
3分钟前
华仔应助Debbieee采纳,获得10
3分钟前
宁赴湘完成签到 ,获得积分10
4分钟前
4分钟前
整齐聋五完成签到,获得积分10
4分钟前
伊yan完成签到 ,获得积分10
4分钟前
jeronimo完成签到,获得积分10
4分钟前
4分钟前
笑点低的玉兰完成签到,获得积分10
5分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
Les Mantodea de Guyane: Insecta, Polyneoptera [The Mantids of French Guiana] 2500
Roms fliessende Grenzen : Archäologische Landesausstellung Nordrhein-Westfalen 1000
Atlas of Aligner Treatment and Planning A Case-Based Approach 1000
Geist der Kunst und Kultur 1000
悉尼大学博士学位论文,题目:Modelling and testing of one-sided stitched laminated composites. 作者:Kristopher P. Plain 700
Soil mites of the family Rhagidiidae (Actinedida: Eupodoidea). Morphology, Systematics, Ecology 520
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 工程类 有机化学 化学工程 生物化学 计算机科学 内科学 物理 复合材料 催化作用 细胞生物学 无机化学 光电子学 物理化学 电极 基因
热门帖子
关注 科研通微信公众号,转发送积分 7424277
求助须知:如何正确求助?哪些是违规求助? 9027283
关于积分的说明 19230720
捐赠科研通 7053599
什么是DOI,文献DOI怎么找? 3235572
关于科研通互助平台的介绍 2398852
邀请新用户注册赠送积分活动 2218025