Vision Transformers
Vision Transformers (ViTs) tillämpar transformatorarkitekturen som driver ChatGPT till bilder, och behandlar en bild som en sekvens av patchar istället för ett rutnät av pixlar.
Översikt
They proved that you do not need convolutions to achieve state-of-the-art image recognition.
Djupdykning
I åratal dominerade konvolutionella neurala nätverk (CNN) datorseende genom att skanna små filter över en bild. Tidningen 2020 "An Image Is Worth 16x16 Words" från Google utmanade detta genom att kapa en bild i fasta fläckar, vanligtvis 16x16 pixlar, platta ut var och en till en vektor och mata in den resulterande sekvensen till en standardtransformator. Varje lapp blir en "token", ungefär som ett ord i en mening. Modellen använder sedan självuppmärksamhet så att varje patch direkt kan relatera till varannan patch, och fångar långdistansförhållanden som ett litet faltningsfilter inte kan se i ett steg. Haken: ViTs är datahungriga eftersom de saknar CNN:s inbyggda antaganden. Utbildade på enorma datamängder som JFT-300M, matchade eller slog de de bästa CNN:erna och omformade modern synforskning.
Teknisk insikt
En ViT delar upp en bild i icke-överlappande patchar, projicerar var och en linjärt till en inbäddning och lägger till positionskodningar så att modellen vet var varje patch satt i originalbilden. En speciell inlärbar "klasstoken" är bifogad; dess slutliga representation driver klassificeringen. Staplade självuppmärksamhetslager låter varje patch väga information från alla andra, vilket ger ett globalt mottagligt fält från lager ett. Eftersom uppmärksamhet skalas kvadratiskt med antalet patchar blir högupplösta bilder dyra, varför patchstorlek och effektiva uppmärksamhetsvarianter spelar roll.
Strategisk inverkan
Speed and scale
Visual AI kan automatisera inspektion, upptäckt och taggningsuppgifter i stor skala.
Build choices
Kreativa team kan prototypa koncept snabbare med färre manuella revisioner.
Team and workflow
Operationer kan använda bild- och videosignaler som tidigare var svåra att bearbeta.
Framtiden för Vision Transformers
ViTs och CNN-transformatorhybrider driver nu ledande visionsystem, och arkitekturen stöder multimodala modeller som smälter samman bilder med text, som CLIP och moderna vision-språkassistenter. Räkna med fortsatt arbete med att göra uppmärksamheten billigare för högupplösning och video, plus självövervakad förträning (som maskbildsmodellering) som minskar den enorma aptiten för märkta data. I takt med att beräkningarna växer, blir gränsen mellan "språkmodell" och "visionsmodell" suddig, med transformatorer som fungerar som en delad ryggrad över olika modaliteter snarare än separata specialiserade konstruktioner.
Real-World Implementation
Googles bildklassificering och sökrankningssystem som antog transformatorstomme efter att ViT visat sig vara konkurrenskraftigt med CNN
CLIP och andra bildtextmodeller som använder en ViT för att koda bilder så att foton och bildtexter kan matchas i ett delat utrymme
Medicinsk bildforskning med hjälp av ViTs för att upptäcka mönster över en hel skanning snarare än bara lokala texturer
Självkörande och robotikuppfattningsstaplar som kombinerar ViT-liknande uppmärksamhet för scenförståelse över hela synfältet
Risker & skyddsräcken
Bildrättigheter och samtycke kan bli juridiska risker om härkomst är oklart.
Modellens prestanda kan variera mellan belysning, demografi och miljöer.
Falska positiva resultat kan gå obemärkt förbi om inte konfidensgränser övervakas.
Färdplan för genomförande
Definiera acceptanskriterier för precision, återkallelse och felkostnader.
Testa med data som matchar verkliga produktionsförhållanden.
Lägg till mänsklig granskning för lågt förtroende eller förutsägelser med stor inverkan.
Spåra modelldrift och återvalidera efter ändringar av kamera eller datauppsättning.
Fortsätt utforska
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 och Vision-Language Modeller
Frequently asked questions
What is Vision Transformers?
Vision Transformers (ViTs) tillämpar transformatorarkitekturen som driver ChatGPT till bilder, och behandlar en bild som en sekvens av patchar istället för ett rutnät av pixlar. De bevisade att du inte behöver veck för att uppnå toppmodern bildigenkänning.
Hur bearbetar en Vision Transformer initialt en ingångsbild?
En ViT delar upp bilden i fasta patchar (ofta 16x16 pixlar), bäddar in varje patch som en token och matar in sekvensen till en transformator.
Vilken nyckelmekanism låter en ViT relatera avlägsna delar av en bild till varandra?
Självuppmärksamhet låter varje patch direkt väga information från varannan patch, vilket ger en global vy från det första lagret.
Varför behöver vanliga Vision Transformers vanligtvis mycket stora träningsdatauppsättningar för att utmärka sig?
Till skillnad från CNN:er antar inte ViTs lokalitet eller översättningsinvarians, så de måste lära sig dessa mönster från stora mängder data.
Vad är syftet med positionskodningar i en Vision Transformer?
Självuppmärksamhet är orderagnostisk, så positionskodningar återställer den rumsliga platsen för varje patch.
Vilket påstående speglar bäst ViT:s inverkan på datorseendet?
ViT visade att en ren transformator, med tillräcklig data och skala, kan konkurrera med eller överträffa de bästa konvolutionella nätverken.