Transformateurs de vision
Les transformateurs de vision (ViT) appliquent l'architecture de transformateur qui alimente ChatGPT aux images, traitant une image comme une séquence de patchs au lieu d'une grille de pixels.
Aperçu
They proved that you do not need convolutions to achieve state-of-the-art image recognition.
Plongée profonde
Pendant des années, les réseaux de neurones convolutifs (CNN) ont dominé la vision par ordinateur en balayant de petits filtres sur une image. L'article de 2020 « Une image vaut 16 x 16 mots » de Google a contesté cela en découpant une image en patchs fixes, généralement de 16 x 16 pixels, en aplatissant chacun en un vecteur et en introduisant la séquence résultante dans un transformateur standard. Chaque patch devient un « jeton », un peu comme un mot dans une phrase. Le modèle utilise ensuite l'auto-attention afin que chaque patch puisse être directement lié à tous les autres patchs, capturant ainsi les relations à longue portée qu'un petit filtre convolutionnel ne peut pas voir en une seule étape. Le hic : les ViT sont gourmands en données car ils ne disposent pas des hypothèses intégrées des CNN. Formés sur d’énormes ensembles de données comme JFT-300M, ils ont égalé ou battu les meilleurs CNN, remodelant ainsi la recherche moderne sur la vision.
Aperçu technique
Un ViT divise une image en patchs qui ne se chevauchent pas, projette chacun d'eux de manière linéaire dans une intégration et ajoute des encodages de position afin que le modèle sache où se trouve chaque patch dans l'image d'origine. Un « jeton de classe » spécial pouvant être appris est ajouté au début ; sa représentation finale détermine la classification. Les couches d'auto-attention empilées permettent à chaque patch de peser les informations de tous les autres, donnant ainsi un champ de réception global à partir de la première couche. Étant donné que l’attention évolue quadratiquement avec le nombre de correctifs, les images haute résolution deviennent coûteuses. C’est pourquoi la taille des correctifs et les variantes d’attention efficaces sont importantes.
Impact stratégique
Vitesse et échelle
L’IA visuelle peut automatiser les tâches d’inspection, de détection et de marquage à grande échelle.
Choix de construction
Les équipes créatives peuvent prototyper des concepts plus rapidement avec moins de révisions manuelles.
Équipe et flux de travail
Les opérations peuvent utiliser des signaux d’image et vidéo qui étaient auparavant difficiles à traiter.
L'avenir des transformateurs de vision
Les hybrides ViT et transformateurs CNN alimentent désormais les principaux systèmes de vision, et l'architecture sous-tend des modèles multimodaux qui fusionnent des images avec du texte, comme CLIP et des assistants de langage de vision modernes. Attendez-vous à un travail continu visant à rendre l'attention moins coûteuse pour la haute résolution et la vidéo, ainsi qu'à un pré-entraînement auto-supervisé (comme la modélisation d'images masquées) qui réduit l'énorme appétit pour les données étiquetées. À mesure que le calcul se développe, la frontière entre « modèle de langage » et « modèle de vision » continue de s'estomper, les transformateurs servant de colonne vertébrale partagée entre les modalités plutôt que de conceptions spécialisées distinctes.
Mise en œuvre dans le monde réel
Les systèmes de classification d'images et de classement de recherche de Google qui ont adopté les réseaux fédérateurs de transformateur après que ViT se soient révélés compétitifs avec les CNN
CLIP et d'autres modèles image-texte qui utilisent un ViT pour encoder des images afin que les photos et les légendes puissent être mises en correspondance dans un espace partagé
Recherche en imagerie médicale utilisant les ViT pour repérer des motifs sur l'ensemble d'un scan plutôt que uniquement sur des textures locales
Des piles de perceptions autonomes et robotiques qui combinent une attention de type ViT pour une compréhension de la scène dans tout le champ de vision
Risques et garde-fous
Les droits à l’image et le consentement peuvent devenir des risques juridiques si la provenance n’est pas claire.
Les performances du modèle peuvent varier en fonction de l'éclairage, des données démographiques et des environnements.
Les faux positifs peuvent passer inaperçus si les seuils de confiance ne sont pas surveillés.
Feuille de route de mise en œuvre
Définissez des critères d’acceptation pour la précision, le rappel et les coûts d’erreur.
Testez avec des données qui correspondent aux conditions de production réelles.
Ajoutez un examen humain pour les prédictions peu fiables ou à fort impact.
Suivez la dérive du modèle et revalidez après les modifications de la caméra ou de l’ensemble de données.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Vision Transformers quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
Modèles CLIP et Vision-Langage
Questions fréquemment posées
What is Vision Transformers?
Les transformateurs de vision (ViT) appliquent l'architecture de transformateur qui alimente ChatGPT aux images, traitant une image comme une séquence de patchs au lieu d'une grille de pixels. Ils ont prouvé qu’il n’est pas nécessaire d’effectuer des convolutions pour obtenir une reconnaissance d’image de pointe.
Comment un Vision Transformer traite-t-il initialement une image d’entrée ?
Un ViT divise l'image en patchs fixes (souvent 16x16 pixels), intègre chaque patch en tant que jeton et alimente la séquence dans un transformateur.
Quel mécanisme clé permet à un ViT de relier les parties distantes d’une image les unes aux autres ?
L'auto-attention permet à chaque patch de peser directement les informations de tous les autres patchs, donnant ainsi une vue globale depuis la première couche.
Pourquoi les transformateurs Plain Vision ont-ils généralement besoin de très grands ensembles de données de formation pour exceller ?
Contrairement aux CNN, les ViT ne supposent pas d'invariance de localité ou de traduction, ils doivent donc apprendre ces modèles à partir de grandes quantités de données.
Quel est le but des codages de position dans un Vision Transformer ?
L'auto-attention est indépendante de l'ordre, donc les codages de position restaurent l'emplacement spatial de chaque patch.
Quelle affirmation reflète le mieux l’impact de ViT sur la vision par ordinateur ?
ViT a démontré qu'un transformateur pur, doté de données et d'une échelle suffisantes, peut rivaliser ou surpasser les meilleurs réseaux convolutifs.