已入深夜,您辛苦了!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!祝你早点完成任务,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
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
1秒前
2秒前
suyi完成签到 ,获得积分10
3秒前
山野完成签到 ,获得积分10
3秒前
李会琳发布了新的文献求助10
8秒前
大模型应助懵懂的馒头采纳,获得10
9秒前
Jasper应助藏锋采纳,获得10
11秒前
11秒前
dadabad完成签到 ,获得积分10
13秒前
阳光的山水完成签到 ,获得积分10
13秒前
13秒前
科研通AI6.1应助liangxt采纳,获得10
13秒前
xsx发布了新的文献求助10
15秒前
大知闲闲完成签到 ,获得积分10
15秒前
奋斗凡霜完成签到,获得积分10
16秒前
22秒前
阳光总在风雨后完成签到,获得积分10
24秒前
YNYang完成签到,获得积分10
24秒前
李会琳完成签到,获得积分10
25秒前
25秒前
piggy发布了新的文献求助10
29秒前
29秒前
paradeYH完成签到,获得积分10
30秒前
晓凡发布了新的文献求助10
30秒前
Jiaxin应助糟糕的铁锤采纳,获得50
33秒前
xin完成签到,获得积分10
33秒前
Teio发布了新的文献求助10
34秒前
36秒前
怕孤独的鹭洋完成签到,获得积分10
38秒前
abin完成签到 ,获得积分10
40秒前
uuuu发布了新的文献求助10
42秒前
香蕉君达完成签到,获得积分10
42秒前
H15120375984发布了新的文献求助10
44秒前
yaonuliwa完成签到 ,获得积分10
46秒前
矜天完成签到 ,获得积分10
47秒前
YuuuY完成签到 ,获得积分10
52秒前
54秒前
55秒前
FashionBoy应助勤恳的亦瑶采纳,获得10
55秒前
爱吃橙子的小鱼完成签到,获得积分10
56秒前
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
Introduction to Helicopter and Tiltrotor Flight Simulation, Second Edition 2500
卤化钙钛矿人工突触的研究 2000
Моделирование процессов самоорганизации в кристаллообразующих системах 1000
History of U.S. Space Surveillance and Satellite Cataloging 1000
Malcolm Fraser : a biography 700
Signals, Systems, and Signal Processing 610
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 物理 内科学 复合材料 催化作用 物理化学 光电子学 电极 细胞生物学 基因 无机化学
热门帖子
关注 科研通微信公众号,转发送积分 6507645
求助须知:如何正确求助?哪些是违规求助? 8300766
关于积分的说明 17720552
捐赠科研通 5608370
什么是DOI,文献DOI怎么找? 2921211
邀请新用户注册赠送积分活动 1898396
关于科研通互助平台的介绍 1760953