清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet

安全性令牌 计算机科学 变压器 人工智能 像素 刮擦 模式识别(心理学) 词汇分析 程序设计语言 计算机网络 工程类 电压 电气工程
作者
Li Yuan,Yunpeng Chen,Tao Wang,Weihao Yu,Yujun Shi,Zihang Jiang,Francis E. H. Tay,Jiashi Feng,Shuicheng Yan
标识
DOI:10.1109/iccv48922.2021.00060
摘要

Transformers, which are popular for language modeling, have been explored for solving vision tasks recently, e.g., the Vision Transformer (ViT) for image classification. The ViT model splits each image into a sequence of tokens with fixed length and then applies multiple Transformer layers to model their global relation for classification. However, ViT achieves inferior performance to CNNs when trained from scratch on a midsize dataset like ImageNet. We find it is because: 1) the simple tokenization of input images fails to model the important local structure such as edges and lines among neighboring pixels, leading to low training sample efficiency; 2) the redundant attention backbone design of ViT leads to limited feature richness for fixed computation budgets and limited training samples. To overcome such limitations, we propose a new Tokens-To-Token Vision Transformer (T2T-VTT), which incorporates 1) a layer-wise Tokens-to-Token (T2T) transformation to progressively structurize the image to tokens by recursively aggregating neighboring Tokens into one Token (Tokens-to-Token), such that local structure represented by surrounding tokens can be modeled and tokens length can be reduced; 2) an efficient backbone with a deep-narrow structure for vision transformer motivated by CNN architecture design after empirical study. Notably, T2T-ViT reduces the parameter count and MACs of vanilla ViT by half, while achieving more than 3.0% improvement when trained from scratch on ImageNet. It also outperforms ResNets and achieves comparable performance with MobileNets by directly training on ImageNet. For example, T2T-ViT with comparable size to ResNet50 (21.5M parameters) can achieve 83.3% top1 accuracy in image resolution 384x384 on ImageNet. 1
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
mzhang2完成签到 ,获得积分10
刚刚
1秒前
6秒前
王淳完成签到 ,获得积分10
19秒前
神外魔法师完成签到,获得积分10
42秒前
5433完成签到 ,获得积分10
59秒前
牛马完成签到 ,获得积分10
1分钟前
紫熊完成签到,获得积分10
2分钟前
CodeCraft应助快乐小狗采纳,获得10
3分钟前
白菜完成签到 ,获得积分10
3分钟前
woxinyouyou完成签到,获得积分0
4分钟前
满意的伊完成签到,获得积分10
4分钟前
宇文非笑完成签到 ,获得积分10
5分钟前
bc应助科研通管家采纳,获得30
5分钟前
bc应助科研通管家采纳,获得30
5分钟前
bc应助科研通管家采纳,获得30
5分钟前
bc应助科研通管家采纳,获得30
5分钟前
知行者完成签到 ,获得积分10
6分钟前
6分钟前
快乐小狗发布了新的文献求助10
7分钟前
桐桐应助快乐小狗采纳,获得10
7分钟前
CherylZhao完成签到,获得积分10
7分钟前
bc应助科研通管家采纳,获得30
7分钟前
ZJakariae应助科研通管家采纳,获得10
7分钟前
科研通AI2S应助科研通管家采纳,获得10
7分钟前
万能图书馆应助Tiger-Cheng采纳,获得20
7分钟前
8分钟前
bc应助科研通管家采纳,获得30
9分钟前
bc应助科研通管家采纳,获得30
9分钟前
科研通AI2S应助科研通管家采纳,获得10
9分钟前
橘子味的北冰洋完成签到 ,获得积分10
9分钟前
幻梦如歌完成签到,获得积分10
9分钟前
幻梦如歌发布了新的文献求助10
9分钟前
Georgechan完成签到,获得积分10
9分钟前
X子千完成签到,获得积分10
9分钟前
柴胡完成签到,获得积分10
9分钟前
田様应助Carlos_Soares采纳,获得10
10分钟前
11分钟前
12分钟前
快乐小狗发布了新的文献求助10
12分钟前
高分求助中
Technologies supporting mass customization of apparel: A pilot project 600
Izeltabart tapatansine - AdisInsight 500
Chinesen in Europa – Europäer in China: Journalisten, Spione, Studenten 500
Arthur Ewert: A Life for the Comintern 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi // Kurt Werner Radtke 500
Two Years in Peking 1965-1966: Book 1: Living and Teaching in Mao's China // Reginald Hunt 500
Epigenetic Drug Discovery 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3815818
求助须知:如何正确求助?哪些是违规求助? 3359386
关于积分的说明 10402318
捐赠科研通 3077196
什么是DOI,文献DOI怎么找? 1690236
邀请新用户注册赠送积分活动 813659
科研通“疑难数据库(出版商)”最低求助积分说明 767728