文章预览
作者丨科技猛兽 编辑丨极市平台 极市导读 原始 Transformer 中可以直接将每个单独的像素 (pixel) 视为 token。 本文目录 1 一个像素就是一个 token!探索 Transformer 新范式 (来自 FAIR, Meta AI,阿姆斯特丹大学) 1 PiT 论文解读 1.1 局部性这个归纳偏置可以在 Transformer 中去除 1.2 ConvNets 中的局部性 1.3 ViTs 中的局部性 1.4 像素 Transformers 1.5 实验1:监督学习 1.6 实验2:自监督学习 1.7 实验3:图像生成 1.8 ViT 中的局部性设计 1.9 PiT 的局限性 太长不看版 本文不是提出新视觉 Transformer 架构的工作,而是质疑视觉 Transformer 中 归纳偏置 (inductive bias) ,即现代视觉 Transformer 中 局部性 (locality) 的必要性。 本文的发现:原始 Transformer 中可以直接将每个单独的像素 (pixel) 视为 token。 这可以在目标检测,MAE 自监督训练以及基于扩散模型的图像生成这3大任务上实现高性能的结
………………………………