Transformatoare de vedere
Vision Transformers (ViTs) aplică arhitectura transformatorului care alimentează ChatGPT imaginilor, tratând o imagine ca o secvență de patch-uri în loc de o grilă de pixeli.
Prezentare generală
They proved that you do not need convolutions to achieve state-of-the-art image recognition.
Scufundare în profunzime
Ani de zile, rețelele neuronale convoluționale (CNN) au dominat vederea computerizată prin scanarea unor filtre mici pe o imagine. Lucrarea din 2020 „An Image Is Worth 16x16 Words” de la Google a contestat acest lucru prin tăierea unei imagini în pete fixe, de obicei 16x16 pixeli, aplatind fiecare într-un vector și alimentând secvența rezultată într-un transformator standard. Fiecare plasture devine un „token”, la fel ca un cuvânt dintr-o propoziție. Modelul folosește apoi atenția personală, astfel încât fiecare patch să se poată raporta direct la fiecare alt patch, captând relații pe distanță lungă pe care un filtru convoluțional mic nu le poate vedea într-un singur pas. Captura: ViT-urile sunt amanate de date deoarece le lipsesc ipotezele încorporate ale CNN-urilor. Antrenați pe seturi de date enorme precum JFT-300M, au egalat sau au depășit cele mai bune CNN-uri, remodelând cercetarea modernă a vederii.
Perspectivă tehnică
Un ViT împarte o imagine în patch-uri care nu se suprapun, proiectează liniar fiecare într-o încorporare și adaugă codificări poziționale, astfel încât modelul să știe unde se află fiecare patch în imaginea originală. Se adaugă un „jeton de clasă” special care poate fi învățat; reprezentarea sa finală conduce la clasificare. Straturile de auto-atenție stivuite permit fiecărui patch să cântărească informațiile de la toate celelalte, oferind un câmp receptiv global de la primul strat. Deoarece atenția crește în mod pătratic odată cu numărul de patch-uri, imaginile de înaltă rezoluție devin scumpe, motiv pentru care contează dimensiunea patch-urilor și variantele eficiente de atenție.
Impact strategic
Viteză și scară
Visual AI poate automatiza sarcinile de inspecție, detectare și etichetare la scară.
Alegeri de construcție
Echipele creative pot crea prototipuri mai rapid cu mai puține revizuiri manuale.
Echipa și fluxul de lucru
Operațiunile pot utiliza semnale de imagine și video care anterior erau greu de procesat.
Viitorul transformatoarelor de vedere
ViT-urile și hibrizii CNN-transformator alimentează acum sistemele de viziune de vârf, iar arhitectura stă la baza modelelor multimodale care îmbină imaginile cu text, cum ar fi CLIP și asistenții moderni pentru limbajul vizual. Așteptați-vă la o muncă continuă pentru a reduce atenția pentru înaltă rezoluție și video, plus instruire preliminară auto-supravegheată (cum ar fi modelarea imaginilor mascate) care reduce apetitul enorm pentru date etichetate. Pe măsură ce calculul crește, granița dintre „modelul de limbaj” și „modelul de viziune” continuă să se estompeze, transformatoarele servind ca o coloană vertebrală comună între modalități, mai degrabă decât design-uri specializate separate.
Implementare în lumea reală
Google sistemele de clasificare a imaginilor și de căutare care au adoptat coloana vertebrală a transformatoarelor după ce ViT s-a dovedit competitiv cu CNN-urile
CLIP și alte modele de imagine-text care utilizează un ViT pentru a codifica imaginile, astfel încât fotografiile și legendele să poată fi asociate într-un spațiu comun
Cercetarea imagistică medicală folosind ViT-uri pentru a identifica modele pe o scanare întreagă, mai degrabă decât doar texturi locale
Stive de percepție pentru auto-conducere și robotică care combină atenția în stilul ViT pentru înțelegerea scenei pe întregul câmp vizual
Riscuri și balustrade
Drepturile de imagine și consimțământul pot deveni riscuri legale dacă proveniența este neclară.
Performanța modelului poate varia în funcție de iluminare, demografie și mediu.
Falsele pozitive pot trece neobservate dacă nu sunt monitorizate pragurile de încredere.
Foaia de parcurs de implementare
Definiți criteriile de acceptare pentru costurile de precizie, rechemare și erori.
Testați cu date care corespund condițiilor reale de producție.
Adăugați o recenzie umană pentru predicții cu încredere scăzută sau cu impact ridicat.
Urmăriți derapajul modelului și revalidați după modificarea camerei sau a setului de date.
Continuați să explorați
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
Următorul ghid
Modele CLIP și Vision-Language
Întrebări frecvente
What is Vision Transformers?
Vision Transformers (ViTs) aplică arhitectura transformatorului care alimentează ChatGPT imaginilor, tratând o imagine ca o secvență de patch-uri în loc de o grilă de pixeli. Ei au demonstrat că nu aveți nevoie de circumvoluții pentru a obține recunoașterea imaginii de ultimă generație.
Cum procesează inițial un transformator de vedere o imagine de intrare?
Un ViT împarte imaginea în patch-uri fixe (adesea 16x16 pixeli), încorporează fiecare patch ca simbol și alimentează secvența într-un transformator.
Ce mecanism cheie permite unui ViT să relaționeze părți îndepărtate ale unei imagini între ele?
Autoatenția permite fiecărui patch să cântărească în mod direct informațiile din fiecare alt patch, oferind o vedere globală din primul strat.
De ce simple Vision Transformers au nevoie de obicei de seturi de date de antrenament foarte mari pentru a excela?
Spre deosebire de CNN, ViT-urile nu își asumă localitatea sau invarianța traducerii, așa că trebuie să învețe aceste modele din cantități mari de date.
Care este scopul codificărilor poziționale într-un transformator de vedere?
Autoatenția este independentă de ordine, astfel încât codificările poziționale restaurează locația spațială a fiecărui patch.
Care afirmație reflectă cel mai bine impactul ViT asupra vederii computerizate?
ViT a demonstrat că un transformator pur, cu date și scară suficiente, poate rivaliza sau depăși cele mai bune rețele convoluționale.