Transformator Visi
Vision Transformers (ViTs) menerapkan arsitektur transformator yang mendukung ChatGPT pada gambar, memperlakukan gambar sebagai rangkaian tambalan, bukan kisi piksel.
Ikhtisar
They proved that you do not need convolutions to achieve state-of-the-art image recognition.
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.
Dampak Strategis
Kecepatan dan skala
Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar.
Build choices
Tim kreatif dapat membuat prototipe konsep lebih cepat dengan lebih sedikit revisi manual.
Team and workflow
Pengoperasiannya dapat menggunakan sinyal gambar dan video yang sebelumnya sulit diproses.
Masa Depan Vision Transformers
Hibrida ViT dan transformator CNN kini mendukung sistem visi terkemuka, dan arsitekturnya mendukung model multimodal yang memadukan gambar dengan teks, seperti CLIP dan asisten bahasa visi modern. Harapkan upaya berkelanjutan untuk membuat perhatian lebih murah pada resolusi tinggi dan video, ditambah pra-pelatihan yang diawasi sendiri (seperti pemodelan gambar bertopeng) yang mengurangi kebutuhan data berlabel yang sangat besar. Seiring berkembangnya komputasi, batas antara 'model bahasa' dan 'model visi' semakin kabur, dengan transformator berfungsi sebagai tulang punggung bersama di seluruh modalitas, bukan sebagai desain khusus yang terpisah.
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
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.
Uji dengan data yang sesuai dengan kondisi produksi sebenarnya.
Tambahkan tinjauan manusia untuk prediksi dengan tingkat keyakinan rendah atau dampak tinggi.
Lacak penyimpangan model dan validasi ulang setelah kamera atau kumpulan data berubah.
Terus Menjelajah
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
Next guide
CLIP dan Model Bahasa Visi
Pertanyaan yang sering diajukan
What is 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.
Bagaimana Vision Transformer awalnya memproses gambar masukan?
ViT membagi gambar menjadi patch tetap (seringkali berukuran 16x16 piksel), menyematkan setiap patch sebagai token, dan memasukkan urutan tersebut ke dalam transformator.
Mekanisme kunci apa yang memungkinkan ViT menghubungkan bagian-bagian gambar yang jauh satu sama lain?
Perhatian mandiri memungkinkan setiap patch secara langsung menimbang informasi dari setiap patch lainnya, memberikan pandangan global dari lapisan pertama.
Mengapa Vision Transformers biasa biasanya memerlukan kumpulan data pelatihan yang sangat besar agar bisa unggul?
Berbeda dengan CNN, ViT tidak mengasumsikan lokalitas atau invarian terjemahan, sehingga mereka harus mempelajari pola-pola ini dari sejumlah besar data.
Apa tujuan pengkodean posisi dalam Vision Transformer?
Perhatian mandiri bersifat order-agnostic, sehingga pengkodean posisi mengembalikan lokasi spasial setiap patch.
Pernyataan manakah yang paling mencerminkan dampak ViT pada visi komputer?
ViT menunjukkan bahwa transformator murni, dengan data dan skala yang memadai, dapat menyaingi atau melampaui jaringan konvolusional terbaik.