Transformer跨界超越CNN,还解决了计算复杂度难题
本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。 谈到Transformer,你可能会想到一众NLP模型。 但现在,Transformer其实还能Tr替CNN把活给干了,并且干得还不赖。 比如微软亚研院最新提出的Swin Transformer,就在COCO数据集的分割检测任务上来了个跨领域超车,一举达到SOTA。 那么,问题来了。 关an注NLP的盆友想必就会问,用Transformer做CV任务,这个想法早已有之,也没见对CNN的地位有什么动摇,Swin Transformer又有何不同? 这就涉及到Transfosfrmer的CV应用存在的两个主要问题: 首先,基于Transformer的模型,token的长度是固定的。这对于NLP里的单词当然没有什么问题,但到了CV领域,视觉元素的比例各异,or比如同一个场景中会存在大小不同的物体。 其次,图像中的像素与文本中的文字相比,对分辨率的要求更高。而常规的自注意力的计算复杂度,是图像大小的平方,这就导致其在像素级别进行密me集预测时会出现问题。 而Swin Transformer,就旨在解决这些NLP和CV之间差异带来的问题。 通过移动窗口计算的分层Transformer Swin Transformr跨er的诀窍,核心是两板斧: 基于分层特征图,利用特征金字塔网络(FPN)或U-Net等技术进行密集预测 将自注意力计算限制在不重叠的局部窗口中,同时允许跨窗口连接,从而带来更高界超的效率。 这第二板斧,也就是基于移动窗口的自注意力: 如上图所示,在l层,采用常规的窗口分区方案,在每个窗口内计算自注意力。 在下一层l+1,窗口分区会被移动,产生新的窗口。新越C窗口中的自注意力计算跨越了l层中窗口的边界,提供了新的关联信息。 具体而言,Swin Transformer的整体架构是酱婶的: 将RGB图像分割成不重叠的图像块(token); 应用MNNLP(多层感知机)将原始特征转化为任意维度; 应用多个修改了自注意力计算的Swin Transformer块,并保持token的数量; 下采样层:通过合并2×2窗口中的相邻图像块,还来减少token的数量,并将特征深度增加一倍。 实验结果 研究人员让Swin Transformer分别挑战了ImageNet-1K、COCO和ADE20K上的图像分类、对象检解决测和语义分割任务。 其中,用于预训练的是ImageNet-22K数据集,ImageNet-1K数据集则用于微调。 结果显示,在COCO的分割和检测任务,以及ADE20K的语义分了计割任务上,Swin Transformer都超越了CNN,达到了SOTA。 而在ImageNet-1K的分类任务上,虽然没能超越EfficientNet,但效果相当且速度更快。 论算复文笔记就分享到这里,如果想要了解更多细节,请戳文末传送门。 也期待你的读后感分享哟~ 传送门 论文地址: 开源地址: 点赞 0
https://arxiv.org/abs/2103.14030
h杂度ttps://github.com/microsoft/Swin-Transformer
- 最近发表
- 随机阅读
-
- 标签: 石头科技 RockMowZ1 智能割草机 品牌出海
- 标签: 小鹏汽车 飞行汽车 小鹏汇天 IPO
- 标签: 医渡科技 大数据平台 生命科学 健康管理
- 未及时报告Log4j2严重漏洞 阿里云被暂停工信部网络安全威胁信息共享平台合作单位
- 微软 Copilot AI 实现邮件和文件直接连接,提升办公效率
- 腾讯云开始全球扩张:腾讯印尼首个数据中心投入使用
- 云计算核心技术Docker教程:注册服务器基本配置
- 标签: 适马 山木和人 CP+ 2026 光学制造
- 标签: 王暖暖 无忧传媒 泰国孕妇坠崖案 MCN霸凌
- 英伟达重磅推出通用深度研究系统:定制化智能研究新纪元!
- 标签: 斗鱼 财报 2025Q3 语音社交
- Gemini2.5Deep Think成首个ICPC金牌AI,碾压全球精英程序员
- 特斯拉推出 “Tesla Ride”:消费者亲身体验FSD,可与Grok互动
- 随着COVID-19的持续存在,向云的迁移加速
- 标签: 壹达外卖 眼护士 掌上药店 药安食美
- 标签: 携程 孙洁 全员信 度假福利金
- 世界第一,阿里云PolarDB云原生数据库登顶TPC-C榜单
- 手上玻璃胶怎么清洗
- 云计算核心技术Docker教程:Docker集群将服务部署到集群
- 业内人士:台积电获得主要云服务厂商AI芯片订单 包括微软5nm芯片订单
- 搜索
-
- 友情链接