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
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
暴躁的问兰完成签到 ,获得积分10
1秒前
隐形的皮卡丘完成签到 ,获得积分10
1秒前
1秒前
zhang@完成签到,获得积分10
2秒前
Jeason完成签到,获得积分10
2秒前
高兴的半仙给高兴的半仙的求助进行了留言
3秒前
shen完成签到,获得积分10
4秒前
南烟发布了新的文献求助10
4秒前
0530完成签到,获得积分10
6秒前
nullsci完成签到,获得积分10
7秒前
吴壮完成签到,获得积分10
9秒前
9秒前
文静的电灯胆完成签到,获得积分10
10秒前
舒先生完成签到,获得积分10
10秒前
润润润完成签到 ,获得积分10
11秒前
阿盛完成签到,获得积分10
11秒前
千年雪松完成签到,获得积分10
11秒前
sptyzl完成签到 ,获得积分10
12秒前
无名花生完成签到 ,获得积分10
13秒前
英俊的铭应助星河万里采纳,获得10
14秒前
14秒前
大力初珍发布了新的文献求助20
15秒前
Shawn完成签到,获得积分20
16秒前
TARGET完成签到,获得积分10
17秒前
17秒前
嘟嘟豆豆发布了新的文献求助10
18秒前
18秒前
张土豆发布了新的文献求助10
19秒前
19秒前
sunlihao完成签到,获得积分10
20秒前
研友_LJblvL完成签到 ,获得积分10
21秒前
21秒前
兜一兜发布了新的文献求助10
21秒前
23333完成签到,获得积分10
22秒前
23秒前
23秒前
劲秉应助lx33101128采纳,获得30
23秒前
umi发布了新的文献求助20
24秒前
聪明伊完成签到,获得积分10
24秒前
23333发布了新的文献求助10
24秒前
高分求助中
Licensing Deals in Pharmaceuticals 2019-2024 3000
Effect of reactor temperature on FCC yield 2000
Very-high-order BVD Schemes Using β-variable THINC Method 1000
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Impiego dell’associazione acetazolamide/pentossifillina nel trattamento dell’ipoacusia improvvisa idiopatica in pazienti affetti da glaucoma cronico 700
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
Geochemistry, 2nd Edition 地球化学经典教科书第二版,不要epub版本 431
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 3291731
求助须知:如何正确求助?哪些是违规求助? 2928242
关于积分的说明 8436110
捐赠科研通 2600160
什么是DOI,文献DOI怎么找? 1418904
科研通“疑难数据库(出版商)”最低求助积分说明 660173
邀请新用户注册赠送积分活动 642825