Meta新研究挑战CV领域基操：ViT根本不用patch，用像素做token效果更佳

文章预览

↑ 点击 蓝字  关注极市平台 来源丨新智元 极市导读   下一代视觉模型会摒弃patch吗？ Meta AI最近发表的一篇论文就质疑了视觉模型中局部关系的必要性。 他们提出了PiT架构，让Transformer直接学习单个像素而不是16×16的patch，结果在多个下游任务中取得了全面超越ViT模型的性能。 >> 加入极市CV技术交流群，走在计算机视觉的最前沿 正如token是文本处理的基本单位，patch也被默认是计算机视觉领域处理图像的基本单位。 从CNN诞生，到结合Transformer架构的ViT，虽然模型架构发生了很大的变化，但有一点始终一致—— 研究人员们都会把原始图像先进行切割，模型输入以patch作为基本单位。 这种预处理方法非常有效，因此有广泛的影响力，几乎主导了整个CV领域。 甚至于，Sora等视频生成模型也沿用了这种方法。 Sora技术报告，训练时将视觉数据切割为patch ………………………………