ViT Transformers提炼分析

An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

论文:https://arxiv.org/abs/2010.11929

代码:https://github.com/google-research/vision_transformer

达摩院modelscope模型开源平台快速体验ViT模型: https://modelscope.cn/models/damo/cv_vit-base_image-classification_Dailylife-labels/summary

 

原理:使用transformer对长序列之间的关系进行建模(自注意力)

方法: 首次提出使用transformer进行分类:把输入图像直接划分为token,位置编码为可学习的token,额外增加一个分类token,最后使用head预测。

结果: acc提升, sota

 

posted @   tanv  阅读(65)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· 震惊!C++程序真的从main开始吗?99%的程序员都答错了
· 【硬核科普】Trae如何「偷看」你的代码?零基础破解AI编程运行原理
· 单元测试从入门到精通
· 上周热点回顾(3.3-3.9)
· winform 绘制太阳,地球,月球 运作规律
点击右上角即可分享
微信分享提示