비전 트랜스포머
ViT(Vision Transformer)는 이미지에 ChatGPT를 지원하는 변환기 아키텍처를 적용하여 사진을 픽셀 그리드가 아닌 일련의 패치로 처리합니다.
개요
그들은 최첨단 이미지 인식을 달성하기 위해 컨볼루션이 필요하지 않다는 것을 증명했습니다.
심층 분석
수년 동안 CNN(Convolutional Neural Network)은 이미지 전체에 걸쳐 작은 필터를 스캔하여 컴퓨터 비전을 지배했습니다. Google의 2020년 논문 'An Image Is Worth 16x16 Words'에서는 이미지를 고정된 패치(일반적으로 16x16픽셀)로 자르고 각 패치를 벡터로 병합한 다음 결과 시퀀스를 표준 변환기에 공급함으로써 이에 도전했습니다. 각 패치는 문장의 단어처럼 '토큰'이 됩니다. 그런 다음 모델은 self-attention을 사용하여 모든 패치가 다른 모든 패치와 직접 관련될 수 있도록 하여 작은 컨볼루셔널 필터가 한 단계에서 볼 수 없는 장거리 관계를 캡처합니다. 문제점: ViT는 CNN에 내장된 가정이 부족하기 때문에 데이터에 굶주려 있습니다. JFT-300M과 같은 거대한 데이터세트로 훈련된 그들은 최고의 CNN과 일치하거나 이겼으며 현대 시력 연구를 재편했습니다.
기술적 통찰력
ViT는 이미지를 겹치지 않는 패치로 분할하고 각 패치를 임베딩에 선형적으로 투영한 다음 위치 인코딩을 추가하므로 모델은 원본 이미지에서 각 패치가 어디에 있는지 알 수 있습니다. 특별한 학습 가능한 '클래스 토큰'이 앞에 추가됩니다. 최종 표현이 분류를 주도합니다. 누적된 self-attention 레이어를 통해 각 패치는 다른 패치의 정보를 평가하여 레이어 1의 전역 수용 필드를 제공합니다. Attention은 패치 수에 따라 2차적으로 확장되므로 고해상도 이미지는 비용이 많이 들고, 이것이 패치 크기와 효율적인 Attention 변형이 중요한 이유입니다.
전략적 영향
속도와 규모
Visual AI는 대규모 검사, 감지 및 태그 지정 작업을 자동화할 수 있습니다.
빌드 선택
크리에이티브 팀은 수동 수정 횟수를 줄여 컨셉의 프로토타입을 더 빠르게 제작할 수 있습니다.
팀과 워크플로우
이전에는 처리하기 어려웠던 이미지 및 비디오 신호를 작업에 사용할 수 있습니다.
비전 트랜스포머의 미래
ViT와 CNN-변환기 하이브리드는 이제 선도적인 비전 시스템을 지원하며, 아키텍처는 CLIP 및 최신 비전 언어 지원과 같이 이미지와 텍스트를 융합하는 다중 모드 모델을 뒷받침합니다. 고해상도 및 비디오에 대한 관심을 더 저렴하게 만드는 지속적인 작업과 엄청난 레이블이 지정된 데이터 식욕을 줄이는 자체 감독 사전 훈련(예: 마스크 이미지 모델링)을 기대합니다. 컴퓨팅이 성장함에 따라 '언어 모델'과 '비전 모델' 사이의 경계가 계속 흐려지고 있으며, 변환기는 별도의 전문 설계가 아닌 양식 전체에서 공유 백본 역할을 합니다.
실제 구현
ViT가 CNN과의 경쟁력을 입증한 후 변환기 백본을 채택한 Google의 이미지 분류 및 검색 순위 시스템
공유 공간에서 사진과 캡션을 일치시킬 수 있도록 ViT를 사용하여 이미지를 인코딩하는 CLIP 및 기타 이미지-텍스트 모델
ViT를 사용하여 로컬 텍스처만이 아닌 전체 스캔에서 패턴을 찾아내는 의료 영상 연구
전체 시야에 걸쳐 장면을 이해하기 위해 ViT 스타일 주의를 결합한 자율 주행 및 로봇 인식 스택
위험 및 가드레일
출처가 불분명할 경우 이미지 권리 및 동의는 법적 위험이 될 수 있습니다.
모델 성능은 조명, 인구통계, 환경에 따라 달라질 수 있습니다.
신뢰도 임계값을 모니터링하지 않으면 거짓양성이 발견되지 않을 수 있습니다.
구현 로드맵
정밀도, 재현율, 오류 비용에 대한 허용 기준을 정의합니다.
실제 생산 조건과 일치하는 데이터로 테스트합니다.
신뢰도가 낮거나 영향력이 큰 예측에 대해 인적 검토를 추가합니다.
모델 드리프트를 추적하고 카메라 또는 데이터 세트가 변경된 후 재검증합니다.
계속 탐색하세요
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
다음 가이드
CLIP 및 Vision-언어 모델
자주 묻는 질문
비전 트랜스포머란 무엇인가요?
ViT(Vision Transformer)는 이미지에 ChatGPT를 지원하는 변환기 아키텍처를 적용하여 사진을 픽셀 그리드가 아닌 일련의 패치로 처리합니다. 그들은 최첨단 이미지 인식을 달성하기 위해 컨볼루션이 필요하지 않다는 것을 증명했습니다.
Vision Transformer는 처음에 입력 이미지를 어떻게 처리합니까?
ViT는 이미지를 고정된 패치(종종 16x16픽셀)로 나누고, 각 패치를 토큰으로 포함하고, 시퀀스를 변환기에 공급합니다.
ViT가 이미지의 멀리 있는 부분을 서로 연관시킬 수 있는 주요 메커니즘은 무엇입니까?
Self Attention을 사용하면 모든 패치가 다른 모든 패치의 정보를 직접 평가하여 첫 번째 레이어에서 전체적인 보기를 제공할 수 있습니다.
일반 Vision Transformer가 탁월한 성능을 발휘하려면 일반적으로 매우 큰 교육 데이터 세트가 필요한 이유는 무엇입니까?
CNN과 달리 ViT는 지역성이나 번역 불변성을 가정하지 않으므로 대량의 데이터에서 이러한 패턴을 학습해야 합니다.
Vision Transformer에서 위치 인코딩의 목적은 무엇입니까?
Self-attention은 순서에 구애받지 않으므로 위치 인코딩은 각 패치의 공간 위치를 복원합니다.
컴퓨터 비전에 대한 ViT의 영향을 가장 잘 반영하는 설명은 무엇입니까?
ViT는 충분한 데이터와 규모를 갖춘 순수 변환기가 최고의 컨볼루션 네트워크와 경쟁하거나 능가할 수 있음을 보여주었습니다.