Ikhtisar
Vision Transformers (ViTs) menerapkan arsitektur transformator yang mendukung ChatGPT pada gambar, memperlakukan gambar sebagai rangkaian tambalan, bukan kisi piksel. Mereka membuktikan bahwa Anda tidak memerlukan konvolusi untuk mencapai pengenalan gambar yang canggih.
Vision Transformers termasuk dalam alur kerja visi komputer yang menafsirkan atau menghasilkan media visual untuk analisis, pengoperasian, dan kreativitas.
Menyelam Lebih Dalam
Selama bertahun-tahun, jaringan saraf konvolusional (CNN) mendominasi visi komputer dengan memindai filter kecil di seluruh gambar. Makalah tahun 2020 'Sebuah Gambar Bernilai 16x16 Kata' dari Google menantang hal ini dengan memotong gambar menjadi potongan-potongan tetap, biasanya 16x16 piksel, meratakannya menjadi vektor, dan memasukkan urutan yang dihasilkan ke dalam transformator standar. Setiap tambalan menjadi 'token', seperti sebuah kata dalam sebuah kalimat. Model tersebut kemudian menggunakan perhatian mandiri sehingga setiap patch dapat langsung berhubungan dengan setiap patch lainnya, menangkap hubungan jangka panjang yang tidak dapat dilihat oleh filter konvolusional kecil dalam satu langkah. Hasil tangkapannya: ViT haus data karena tidak memiliki asumsi bawaan seperti CNN. Dilatih dengan kumpulan data yang sangat besar seperti JFT-300M, mereka menyamai atau mengalahkan CNN terbaik, sehingga membentuk kembali penelitian visi modern.
Wawasan Teknis
ViT membagi gambar menjadi patch yang tidak tumpang tindih, memproyeksikan masing-masing patch secara linier ke dalam embedding, dan menambahkan pengkodean posisi sehingga model mengetahui di mana setiap patch berada di gambar asli. 'Token kelas' khusus yang dapat dipelajari telah ditambahkan; representasi akhirnya mendorong klasifikasi. Lapisan perhatian mandiri yang bertumpuk memungkinkan setiap patch menimbang informasi dari patch lainnya, memberikan bidang reseptif global dari lapisan satu. Karena perhatian berskala kuadrat dengan jumlah tambalan, gambar beresolusi tinggi menjadi mahal, itulah sebabnya ukuran tambalan dan varian perhatian yang efisien menjadi penting.
Menguasai Vision Transformers
Vision Transformers (ViTs) menerapkan arsitektur transformator yang mendukung ChatGPT pada gambar, memperlakukan gambar sebagai rangkaian tambalan, bukan kisi piksel. Mereka membuktikan bahwa Anda tidak memerlukan konvolusi untuk mencapai pengenalan gambar yang canggih. Vision Transformers termasuk dalam alur kerja visi komputer yang menafsirkan atau menghasilkan media visual untuk analisis, pengoperasian, dan kreativitas. Untuk membangun pemahaman yang mendalam, perlakukan Vision Transformers sebagai model operasi, bukan sebagai fitur tunggal: tentukan hasil yang diinginkan, klarifikasi asumsi, dan pisahkan apa yang dapat dilakukan sistem dengan andal dari apa yang masih memerlukan penilaian ahli.
Dalam praktiknya, tim kuat yang menggunakan Vision Transformers menyeimbangkan akurasi dengan realitas operasional seperti kualitas data, varian pencahayaan, dan konsistensi pelabelan. Mereka mendokumentasikan kriteria keberhasilan yang eksplisit, menguji berdasarkan data dan alur kerja yang realistis, dan melakukan iterasi berdasarkan pola kegagalan yang diamati, bukan berdasarkan kemenangan tolok ukur yang hanya terjadi satu kali. Di sinilah pemahaman teoritis berubah menjadi kemampuan yang tahan lama di seluruh produk, kebijakan, dan operasi.
Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar. Pada saat yang sama, hak gambar dan persetujuan dapat menjadi risiko hukum jika asal usulnya tidak jelas. Pendekatan yang paling tangguh adalah menggabungkan kecepatan eksperimen dengan disiplin tata kelola: menjalankan uji coba, menangkap bukti, menerbitkan catatan keputusan, dan terus memperbarui upaya perlindungan seiring dengan berkembangnya perilaku model, harapan pengguna, dan persyaratan peraturan.
Dampak Strategis
Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar.
Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Tim kreatif dapat membuat prototipe konsep lebih cepat dengan lebih sedikit revisi manual.
Tim kreatif dapat membuat prototipe konsep lebih cepat dengan lebih sedikit revisi manual. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Pengoperasiannya dapat menggunakan sinyal gambar dan video yang sebelumnya sulit diproses.
Pengoperasiannya dapat menggunakan sinyal gambar dan video yang sebelumnya sulit diproses. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Implementasi Dunia Nyata
Klasifikasi gambar dan sistem peringkat pencarian Google yang mengadopsi tulang punggung transformator setelah ViT terbukti kompetitif dengan CNN
CLIP dan model gambar-teks lainnya yang menggunakan ViT untuk menyandikan gambar sehingga foto dan keterangan dapat dicocokkan di ruang bersama
Penelitian pencitraan medis menggunakan ViT untuk menemukan pola di seluruh pemindaian, bukan hanya tekstur lokal
Tumpukan persepsi mengemudi mandiri dan robotika yang menggabungkan perhatian gaya ViT untuk memahami pemandangan di seluruh bidang pandang
Pola Implementasi
Vision Transformers dalam praktiknya
Klasifikasi gambar dan sistem peringkat pencarian Google yang mengadopsi tulang punggung transformator setelah ViT terbukti kompetitif dengan CNN.
Klasifikasi gambar dan sistem peringkat pencarian Google yang mengadopsi tulang punggung transformator setelah ViT terbukti kompetitif dengan CNN. Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus edge, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Vision Transformers dalam praktiknya
CLIP dan model gambar-teks lainnya yang menggunakan ViT untuk menyandikan gambar sehingga foto dan keterangan dapat dicocokkan di ruang bersama.
CLIP dan model gambar-teks lainnya yang menggunakan ViT untuk mengkodekan gambar sehingga foto dan keterangan dapat dicocokkan di ruang bersama. Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus edge, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Vision Transformers dalam praktiknya
Penelitian pencitraan medis menggunakan ViT untuk menemukan pola di seluruh pemindaian, bukan hanya tekstur lokal.
Penelitian pencitraan medis menggunakan ViT untuk menemukan pola di seluruh pemindaian, bukan hanya tekstur lokal. Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus ekstrem, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Vision Transformers dalam praktiknya
Tumpukan persepsi mengemudi mandiri dan robotika yang menggabungkan perhatian gaya ViT untuk memahami pemandangan di seluruh bidang pandang.
Kumpulan persepsi berkendara mandiri dan robotika yang menggabungkan perhatian gaya ViT untuk pemahaman pemandangan di seluruh bidang pandang. Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus ekstrem, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Risiko & Pagar Pembatas
Hak citra dan persetujuan dapat menjadi risiko hukum jika asal usulnya tidak jelas.
Performa model dapat bervariasi berdasarkan pencahayaan, demografi, dan lingkungan.
Positif palsu mungkin tidak diketahui kecuali ambang batas keyakinan dipantau.
Peta Jalan Implementasi
Tentukan kriteria penerimaan untuk biaya presisi, penarikan kembali, dan kesalahan.
Tentukan kriteria penerimaan untuk biaya presisi, penarikan kembali, dan kesalahan. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Uji dengan data yang sesuai dengan kondisi produksi sebenarnya.
Uji dengan data yang sesuai dengan kondisi produksi sebenarnya. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Tambahkan tinjauan manusia untuk prediksi dengan tingkat keyakinan rendah atau dampak tinggi.
Tambahkan tinjauan manusia untuk prediksi dengan tingkat keyakinan rendah atau dampak tinggi. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Lacak penyimpangan model dan validasi ulang setelah kamera atau kumpulan data berubah.
Lacak penyimpangan model dan validasi ulang setelah kamera atau kumpulan data berubah. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.