Where are my Neighbors? Exploiting Patches Relations in Self-Supervised Vision Transformer
University of Padova(帕多瓦大学)
视觉Transformer(ViTs)支持在视觉任务中使用Transformer架构,在大数据集上训练时表现出令人印象深刻的性能。然而,在相对较小的数据集上,ViT由于缺乏归纳偏差而不太准确。为此,我们提出了一个简单但仍然有效的自监督学习(SSL)策略来训练ViTs,没有任何外部注释或外部数据,可以显着提高结果。具体来说,我们定义了一组SSL任务的基础上的关系的图像补丁,该模型必须解决之前或联合监督任务。从ViT继承,我们的RelViT模型优化了与图像块相关的Transformer编码器的所有输出令牌,从而在每个训练步骤中利用更多的训练信号。我们在几个图像基准上研究了我们的方法,发现RelViT大幅提高了SSL最先进的方法,特别是在小数据集上。代码可在:https://github.com/guglielmocamporese/relvit.
2022-10-13 cs.CV cs.LG
Leveraging Auto-Distillation and Generative Self-Supervised Learning in Residual Graph Transformers for Enhanced Recommender Systems
Declic AI Research(Declic人工智能研究院);CESI LINEACT Laboratory(CESI LINEACT实验室);Université Paris-Est(巴黎东部大学);UPEC(巴黎第十二大学)
本文提出一种集成生成式自监督学习(SSL)与残差图Transformer的前沿方法,通过理性感知SSL自动化数据增强、拓扑感知Transformer捕捉全局上下文及自动蒸馏优化信号,在多数据集上持续优于基线方法,增强推荐系统性能。
2025-04-08 cs.AI cs.IR cs.LG
DSFormer: A Dual-domain Self-supervised Transformer for Accelerated Multi-contrast MRI Reconstruction
Yale University(耶鲁大学);New York University(纽约大学);Hyperfine Research(Hyperfine研究公司)
多对比度MRI(MC-MRI)可捕获多种互补成像模式,以辅助放射学决策。鉴于需要降低多次采集的时间成本,当前的深度加速MRI重建网络专注于利用多次对比之间的冗余。然而,现有的工作主要是监督配对数据和/或昂贵的全采样MRI序列。此外,重建网络通常依赖于卷积架构,其在对远程相互作用进行建模的能力方面受到限制,并且可能导致精细解剖细节的次优恢复。为此,我们提出了一个双域自监督Transformer(DSFormer)加速MC-MRI重建。DSFormer开发了一种深度条件级联Transformer(DCCT),由几个级联的Swin Transformer重建网络(SwinRN)组成,在两种深度条件策略下进行训练,以实现MC-MRI信息共享。我们进一步提出了一个双域(图像和k空间)的DCCT自监督学习策略,以减轻获取完全采样的训练数据的成本。DSFormer生成高保真重建,在实验上优于当前的全监督基线。此外,我们发现DSFormer在完全监督或我们提出的双域自监督下训练时达到了几乎相同的性能。
2022-08-17 cs.CV cs.LG eess.IV
Self-Supervised learning with cross-modal transformers for emotion recognition
情感识别是一项具有挑战性的任务,由于有限的可用性在野生标记数据集。自监督学习已经在语音和自然语言等领域的有限标记数据集的任务上显示出改进。像BERT这样的模型学会了在词嵌入中加入上下文,这转化为在下游任务(如问答)中的性能提高。在这项工作中,我们将自监督训练扩展到多模态应用程序。我们学习多模态表示使用Transformer训练的掩蔽语言建模任务的音频,视觉和文本功能。该模型在情感识别的下游任务上进行了微调。我们在CMU-MOSEI数据集上的结果表明,与基线相比,这种预训练技术可以将情感识别性能提高3%。
2020-11-20 cs.CL cs.LG
SSAST: Self-Supervised Audio Spectrogram Transformer
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
最近,纯粹基于自我注意力的神经网络,如视觉Transformer(ViT),在各种视觉任务上表现优于卷积神经网络(CNN)构建的深度学习模型,从而将最初为语言处理开发的Transformers的成功扩展到视觉领域。最近的一项研究表明,类似的方法也可以应用于音频领域。具体而言,音频频谱图Transformer(AST)在各种音频分类基准上实现了最先进的结果。然而,与CNN相比,纯Transformer模型往往需要更多的训练数据,并且AST的成功依赖于监督预训练,这需要大量的标记数据和复杂的训练管道,从而限制了AST的实际使用。本文重点研究音频和语音分类,旨在通过利用未标记数据的自监督学习来减少AST对大量标记数据的需求。具体来说,我们建议使用AudioSet和Libripeech中的未标记音频,通过联合判别和生成掩蔽声谱图补丁建模(MSPM)来预训练AST模型。我们在音频和语音分类任务上评估我们的预训练模型,包括音频事件分类,关键字识别,情感识别和说话人辨识。所提出的自监督框架显着提高了AST在所有任务上的性能,平均提高了60.9%,导致与监督预训练AST相似甚至更好的结果。据我们所知,它是音频和语音领域的第一个基于块的自监督学习框架,也是AST的第一个自监督学习框架。
2022-02-10 cs.AI cs.SD eess.AS
Tensor-to-Image: Image-to-Image Translation with Vision Transformers
Transformers自问世以来就获得了巨大的关注,并有着广泛的应用。Transformers开始接管深度学习的所有领域,视觉Transformer论文也证明了它们可以用于计算机视觉任务。在本文中,我们利用了一个视觉Transformer为基础的定制设计的模型,张量到图像,图像到图像的翻译。在自我注意的帮助下,我们的模型能够推广并应用于不同的问题,而无需进行任何修改。
2021-10-06 cs.AI cs.CV cs.LG
Multi-Scale Vision Longformer: A New Vision Transformer for High-Resolution Image Encoding
Microsoft Corporation(微软公司)
本文提出了一种新的视觉Transformer(ViT)架构多尺度视觉Longformer,显着提高了ViT的\cite{dosovitskiy2020image}编码高分辨率图像使用两种技术。第一种是多尺度模型结构,它以可管理的计算成本提供多尺度的图像编码。第二个是视觉Longformer的注意力机制,它是最初为自然语言处理开发的Longformer \cite{beltagy2020longformer}的变体,并实现了线性复杂度w.r.t.输入令牌的数量。一项全面的实证研究表明,新的ViT显着优于几个强大的基线,包括现有的ViT模型及其ResNet同行,以及金字塔视觉Transformer从一个并发的工作\cite{wang2021pyramid},在一系列的视觉任务,包括图像分类,目标检测,和分割。模型和源代码在\url{https://github.com/microsoft/vision-longformer}上发布。
2021-05-27 cs.AI cs.CV cs.LG
Certified Patch Robustness via Smoothed Vision Transformers
MIT(麻省理工学院)
经过认证的补丁防御可以保证图像分类器对有界连续区域内的任意变化的鲁棒性。但是,目前,这种鲁棒性是以降低标准精度和降低推理时间为代价的。我们演示了如何使用视觉Transformer,使更好的认证补丁的鲁棒性,也是更有效的计算,并不会导致标准精度的大幅下降。这些改进源于视觉Transformer优雅地处理大部分被掩蔽的图像的固有能力。我们的代码可在https://github.com/MadryLab/smoothed-vit上获得。
2021-10-11 cs.AI cs.CV cs.LG
DMFormer: Closing the Gap Between CNN and Vision Transformers
National University of Defense Technology(国防科技大学);Chinese Academy of Sciences(中国科学院)
视觉Transformer在计算机视觉任务中表现出了出色的性能。由于它们的自注意力机制的计算成本昂贵,最近的工作尝试用卷积运算来代替视觉Transformer中的自注意力机制,这在内置感应偏置的情况下更有效。然而,这些努力要么忽略了多层次的功能或缺乏动态繁荣,导致次优性能。在本文中,我们提出了一个动态的多级注意力机制(DMA),它捕获不同的模式的输入图像的多个内核大小,并使输入自适应权重与门控机制。本文提出了一种基于DMA的高效骨干网DMFormer。DMFormer采用了视觉Transformer的整体架构,同时用我们提出的DMA取代了自注意力机制。在ImageNet-1 K和ADE 20 K数据集上的大量实验结果表明,DMFormer实现了最先进的性能,优于类似大小的视觉Transformer(ViT)和卷积神经网络(CNN)。
2022-11-29 cs.AI cs.CV cs.LG
Semi-supervised Vision Transformers at Scale
AWS AI Labs(亚马逊云科技人工智能实验室)
我们研究半监督学习(SSL)的视觉Transformer(ViT),尽管广泛采用的ViT架构不同的任务,一个未充分探讨的话题。为了解决这个问题,我们提出了一个新的SSL管道,包括第一个非/自我监督的预训练,其次是监督微调,最后是半监督微调。在半监督微调阶段,我们采用指数移动平均(EMA)-教师框架,而不是流行的FixMatch,因为前者更稳定,并提供更高的精度为半监督视觉Transformer。此外,我们提出了一种概率伪混淆机制来内插未标记的样本及其伪标签,以改进正则化,这对于训练具有弱归纳偏差的ViT非常重要。我们提出的方法,被称为半ViT,实现了可比或更好的性能比CNN同行在半监督分类设置。Semi-ViT还享有ViT的可扩展性优势,可以轻松扩展到大尺寸模型,并提高精度。例如,Semi-ViT-Huge在ImageNet上仅使用1%的标签就达到了令人印象深刻的80%的top-1准确率,这与使用100% ImageNet标签的Inception-v4相当。
2022-08-11 cs.AI cs.CV cs.LG
Multiscale Vision Transformers
Facebook AI Research(Facebook AI研究院);UC Berkeley(加州大学伯克利分校)
我们提出了多尺度视觉Transformer(MViT)的视频和图像识别,通过连接多尺度特征层次结构与Transformer模型的开创性思想。多尺度Transformers具有多个通道分辨率尺度级。从输入分辨率和小的信道维度开始,这些级分级地扩展信道容量,同时降低空间分辨率。这创建了一个多尺度金字塔的功能,早期的层在高空间分辨率下操作,以模拟简单的低层次视觉信息,更深的层在空间上粗糙,但复杂的高维特征。我们评估了这种基本的架构先验,用于对各种视频识别任务的视觉信号的密集性质进行建模,在这些任务中,它优于依赖于大规模外部预训练的并发视觉Transformer,并且在计算和参数方面成本高出5- 10倍。我们进一步删除时间维度,并将我们的模型应用于图像分类,它优于以前的工作视觉Transformer。代码可在:https://github.com/facebookresearch/SlowFast
2021-04-22 cs.AI cs.CV cs.LG
Focal Self-attention for Local-Global Interactions in Vision Transformers
Microsoft Research(微软研究院);Microsoft Cloud + AI(微软云计算与人工智能部门)
最近,视觉Transformer及其变体在各种计算机视觉任务上显示出巨大的前景。通过自我注意捕捉短期和长期视觉依赖的能力可以说是成功的主要来源。但由于二次计算开销,它也带来了挑战,特别是对于高分辨率视觉任务(例如,目标检测)。在本文中,我们提出了焦点自关注,一个新的机制,结合了细粒度的本地和粗粒度的全球相互作用。使用这种新的机制,每个令牌出席最近的周围令牌在细粒度,但令牌远离在粗粒度,因此可以捕获短期和长期的视觉依赖有效和有效的。焦点自我关注,我们提出了一个新的变体的视觉Transformer模型,称为焦点Transformer,它实现了卓越的性能超过国家的最先进的视觉Transformer的一系列公共图像分类和目标检测基准。特别是,我们的Focal Transformer模型具有中等大小的51.1M和更大的89.8M,在224 x224分辨率的ImageNet分类上分别实现了83.5和83.8的Top-1准确度。使用焦点Transformers作为骨干,我们获得了一致的和实质性的改进,超过目前最先进的Swin Transformers的6种不同的目标检测方法训练与标准的1x和3x时间表。我们最大的Focal Transformer在COCO mini-val/test-dev上产生58.7/58.9的框mAP和50.9/51.3的掩码mAP,在ADE 20 K上产生55.4 mI…
2021-07-01 cs.AI cs.CV cs.LG
Transformers in Vision: A Survey
MBZ University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Monash University(莫纳什大学);Inception Institute of Artificial Intelligence(起源人工智能研究院);Australian National University(澳大利亚国立大学);Linköping University(林雪平大学);University of Central Florida(中佛罗里达大学)
Transformer模型在自然语言任务上的惊人结果引起了视觉界的兴趣,研究它们在计算机视觉问题上的应用。在它们的突出优点中,与递归网络相比,Transformers使得能够对输入序列元素之间的长依赖性进行建模,并且支持序列的并行处理,长短期记忆(LSTM)。与卷积网络不同,Transformers的设计需要最小的电感偏差,并且自然适合作为集函数。此外,Transformers的简单设计允许处理多个模态(例如,图像、视频、文本和语音),并展示了对超大容量网络和巨大数据集的出色可扩展性。这些优势使得使用Transformer网络的许多视觉任务取得了令人兴奋的进展。本调查旨在全面概述计算机视觉学科中的Transformer模型。我们首先介绍Transformers成功背后的基本概念,即,自我注意、大规模预训练和双向编码。然后,我们将介绍Transformers在视觉中的广泛应用,包括流行的识别任务(例如,图像分类、目标检测、动作识别和分割),生成建模,多模式任务(例如,视觉问答、视觉推理和视觉基础),视频处理(例如,活动识别,视频预测),低级视觉(例如,图像超分辨率、图像增强和彩色化)和3D分析(例如,点云分类和分割)。我们比较了各自的优势和局限性的流行技术无论是在建筑设计和他们的实验价值。最后,我们提供了一个开放的研究方向和可能的未来工作的分析。
2022-01-19 cs.AI cs.CV cs.LG
Scaling Vision Transformers
Google Research(谷歌研究院)
基于注意力的神经网络,如视觉Transformer(ViT),最近在许多计算机视觉基准测试中获得了最先进的结果。规模是获得出色结果的主要因素,因此,了解模型的缩放特性是有效设计后代的关键。虽然已经研究了缩放Transformer语言模型的规则,但还不知道视觉Transformer如何缩放。为了解决这个问题,我们缩放ViT模型和数据,向上和向下,并表征出错率,数据和计算之间的关系。在此过程中,我们改进了ViT的架构和训练,减少了内存消耗,提高了最终模型的准确性。因此,我们成功地训练了一个具有20亿个参数的ViT模型,该模型在ImageNet上达到了90.45%的top-1准确率。该模型在Few-Shot传输方面也表现良好,例如,在ImageNet上达到84.86%的top-1准确率,每个类只有10个示例。
2022-06-20 cs.AI cs.CV cs.LG
Efficiency 360: Efficient Vision Transformers
Microsoft(微软)
Transformers广泛用于解决自然语言处理、计算机视觉、语音和音乐领域中的任务。在本文中,我们从内存(参数的数量)、计算成本(浮点运算的数量)和模型性能(包括准确性、模型的鲁棒性和公平无偏特性)方面讨论了Transformers的效率。我们主要讨论的视觉Transformer的图像分类任务。我们的贡献是引入一个高效的360度框架,其中包括视觉Transformer的各个方面,使其更有效的工业应用。通过考虑这些应用,我们将其分为多个维度,如隐私,鲁棒性,透明性,公平性,包容性,持续学习,概率模型,近似,计算复杂性和频谱复杂性。我们比较了各种视觉Transformer模型的性能,参数的数量,以及在多个数据集上的浮点运算(FLOP)的数量。
2023-02-23 cs.AI cs.CL cs.CV
AI-Powered Deepfake Detection Using CNN and Vision Transformer Architectures
Department of Computer Science and Engineering, East West University(计算机科学与工程系,东西大学)
本文提出利用CNN和视觉Transformer架构的AI方法,通过大规模人脸图像数据集评估,展示VFDNET在深度伪造检测中的高效准确性能。
2026-01-03 cs.AI cs.CV cs.LG
Vision Transformers with Patch Diversification
University of Texas at Austin(德克萨斯大学奥斯汀分校);Facebook(脸书)
视觉Transformer在具有挑战性的计算机视觉任务中表现出了良好的性能。然而,直接训练视觉Transformer可能产生不稳定和次优的结果。最近的工作提出通过修改Transformer结构来改进视觉Transformer的性能,例如,结合卷积层。相比之下,我们研究了一种正交方法来稳定视觉Transformer训练,而无需修改网络。我们观察到训练的不稳定性可以归因于提取的补丁表示之间的显著相似性。更具体地说,对于深度视觉Transformer,自注意力块倾向于将不同的补丁映射到类似的潜在表示中,从而产生信息丢失和性能下降。为了缓解这个问题,在这项工作中,我们在视觉Transformer训练中引入了新的损失函数,以明确鼓励补丁表示的多样性,以实现更具鉴别力的特征提取。我们的经验表明,我们提出的技术稳定的训练,并允许我们训练更广泛和更深的视觉Transformer。我们进一步表明,多样化的功能显着有利于下游任务的迁移学习。对于语义分割,我们增强了Cityscapes和ADE 20 k上的最新(SOTA)结果。我们的代码可在https://github.com/ChengyueGongR/PatchVisionTransformer上获得。
2021-06-11 cs.CV cs.LG
Vision Language Transformers: A Survey
Boise State University(博伊西州立大学)
本文综述了视觉语言Transformer的研究现状,系统梳理了基于预训练Transformer架构的视觉语言建模方法,分析了其优势、局限性及待解决的开放问题。
2023-07-06 cs.AI cs.CL cs.CV
Conditional Positional Encodings for Vision Transformers
Meituan Inc.(美团公司);Beijing Academy of AI(北京人工智能研究院);Zhejiang University(浙江大学)
我们提出了一个条件位置编码(CPE)方案的视觉Transformer。与之前的固定或可学习的位置编码不同,CPE是动态生成的,并以输入标记的局部邻域为条件。因此,CPE可以很容易地推广到比模型在训练过程中看到的更长的输入序列。此外,CPE在图像分类任务中可以保持期望的不变性,从而提高性能。我们用一个简单的位置编码生成器(PEG)实现CPE,以无缝地集成到当前的Transformer框架中。在PEG的基础上,我们提出了条件位置编码视觉Transformer(CPVT)。我们证明,CPVT有视觉上相似的注意力地图相比,那些与学习位置编码,并提供优于结果。我们的代码可在https://github.com/Meituan-AutoML/CPVT上获得。
2023-02-13 cs.AI cs.CV cs.LG
Understanding Transformer-Based Vision Models via Modular Feature Inversion
本文提出一种高效的模块化特征反演方法,应用于Detection Transformer和Vision Transformer等大规模模型,通过定性和定量分析揭示了这些模型编码上下文形状、图像细节、层间相关性及对颜色扰动鲁棒性的内部机制。
2026-10-12 cs.AI cs.CV cs.LG
Vision Transformers in Medical Imaging: A Review
Covenant University(盟约大学);Virginia Tech(弗吉尼亚理工大学)
Transformer是一种包括基于注意力的编码器-解码器体系结构的模型,在自然语言处理(NLP)领域中已经获得了流行,并且最近影响了计算机视觉(CV)空间。计算机视觉和医学成像之间的相似之处,审查了研究人员之间的问题,如果Transformers对计算机视觉的影响可以转化为医学成像?本文就Transformers在医学成像中的应用作一综述。描述了Transformer模型,并将其与多种卷积神经网络(CNN)进行了比较,详细介绍了基于Transformer的医学图像分类、分割、配准和重建方法,重点关注图像模态,在标准医疗数据集上比较最先进的Transformer架构与最佳性能CNN的性能。
2022-11-18 cs.AI cs.CV
Compact Vision Transformer by Reduction of Kernel Complexity
School of Computing and Augmented Intelligence(计算与增强智能学院);Arizona State University(亚利桑那州立大学)
本文提出KCR-Transformer,通过在MLP层进行可微通道选择并以理论泛化界为指导降低计算复杂度,在减少FLOPs和参数的同时保持或提升视觉Transformer的性能。
2025-07-17 cs.CV cs.LG
Reversible Vision Transformers
UC Berkeley(加州大学伯克利分校);Meta AI
我们提出了可逆的视觉Transformer,视觉识别的内存效率架构设计。通过将GPU内存需求与模型深度分离,可逆视觉Transformer能够以高效的内存使用率扩展架构。我们适应两个流行的模型,即视觉变压器和多尺度视觉Transformer,可逆的变量和基准广泛跨越两个模型的大小和任务的图像分类,目标检测和视频分类。可逆视觉Transformer在大致相同的模型复杂性、参数和精度下,实现了高达15.5倍的内存占用减少,证明了可逆视觉Transformer作为硬件资源有限的训练机制的有效骨干的前景。最后,我们发现,重新计算激活的额外计算负担对于更深的模型来说是克服不了的,其中吞吐量可以增加到其不可逆对应物的2.3倍。完整的代码和训练模型可在https://github.com/facebookresearch/slowfast上获得。更简单、易于理解和修改的版本也可在https://github.com/karttikeya/minREV上获得
2023-02-09 cs.AI cs.CV
Searching Intrinsic Dimensions of Vision Transformers
University of California, Irvine(加州大学欧文分校)
许多研究人员已经证明,在许多计算机视觉任务中,Transformers的性能与卷积神经网络一样好。同时,其注意力模块的计算量大,阻碍了其在边缘设备上的进一步研究和应用。已经开发了一些修剪方法来构造有效的视觉Transformer,但是它们中的大多数仅考虑图像分类任务。受这些结果的启发,我们提出了SiDT,修剪视觉Transformer骨干更复杂的视觉任务,如目标检测的方法,基于搜索的Transformer尺寸。在CIFAR-100和COCO数据集上的实验表明,修剪了20%或40%维数/参数的主干可以获得与未修剪模型相似甚至更好的性能。此外,我们还提供了复杂性分析和比较与以往的修剪方法。
2022-04-16 cs.CV cs.LG
The Progression of Transformers from Language to Vision to MOT: A Literature Review on Multi-Object Tracking with Transformers
University of Illinois(伊利诺伊大学)
本文是一篇文献综述,梳理了Transformer从自然语言处理到计算机视觉的应用演进,重点分析了其在多目标跟踪(MOT)领域的研究进展,指出Transformer在前沿MOT工作中已具备竞争力但仍不及传统深度学习方法。
2024-06-24 cs.AI cs.CV
Learning Explicit Object-Centric Representations with Vision Transformers
Aalto University(阿尔托大学)
随着最近成功的Transformers的视觉域的适应,特别是当训练在一个自我监督的方式,它已被证明,视觉Transformer可以学习令人印象深刻的对象推理的行为和功能表示的任务,在图像中的对象分割。在本文中,我们建立在掩蔽自动编码的自我监督任务的基础上,并探索其有效性,以明确学习以对象为中心的表示与Transformers。为此,我们设计了一个以对象为中心的自编码器,只使用Transformers和训练它端到端重建完整的图像从未掩蔽的补丁。我们表明,该模型有效地学习分解简单的场景测量的分割指标在几个多对象的基准。
2022-10-25 cs.CV cs.LG
VL-InterpreT: An Interactive Visualization Tool for Interpreting Vision-Language Transformers
Intel Labs(英特尔实验室);UCLA(加州大学洛杉矶分校);Microsoft Research(微软研究院)
基于transformer的模型的突破性进展不仅彻底改变了NLP领域,也改变了视觉和多模态系统。然而,尽管可视化和可解释性工具已经可用于NLP模型,但视觉和多模态Transformers的内部机制在很大程度上仍然不透明。随着这些Transformers的成功,了解它们的内部工作变得越来越重要,因为解开这些黑匣子将导致更有能力和更值得信赖的模型。为了促进这一探索,我们提出了VL-InterpreT,它提供了新的交互式可视化解释的注意力和隐藏的表示在多模态Transformers。VL-InterpreT是一个与任务无关的集成工具,它(1)跟踪视觉和语言组件所有层中注意力头部的各种统计数据,(2)通过易于阅读的热图可视化跨模态和模态内注意力,(3)绘制视觉和语言标记的隐藏表示,因为它们通过Transformer层。在本文中,我们通过分析KD-VLP,一个端到端的预训练的视觉语言多模态转换器为基础的模型,在视觉常识推理(VCR)和WebQA,两个视觉问答基准的任务中,展示了VL-InterpreT的功能。此外,我们还提出了一些有趣的发现多模态Transformer的行为,通过我们的工具。
2022-08-22 cs.AI cs.CL cs.CV
Replacing softmax with ReLU in Vision Transformers
Google DeepMind(谷歌DeepMind)
本研究发现在视觉Transformer中,用ReLU替代softmax注意力并除以序列长度可缓解精度下降,在ImageNet-21k上训练小到大规模模型,其性能可接近或匹配softmax注意力。
2023-10-17 cs.CV cs.LG
REViT: Roto-reflection Equivariant Convolutional Vision Transformer
KC Machine Learning Lab(韩国首尔计算机机器学习实验室)
提出一种离散旋转反射群等变的视觉Transformer,通过卷积注意力机制保持特征图的旋转、翻转和位置对称性,在图像分类任务中优于现有方法。
2026-06-25 cs.CV cs.LG
Is Attentional Channel Processing Design Required? Comprehensive Analysis Of Robustness Between Vision Transformers And Fully Attentional Networks
Arizona State University(亚利桑那州立大学)
该研究针对传统Vision Transformers与最新FAN模型鲁棒性缺乏综合对比的问题,基于ImageNet数据集通过白盒、黑盒攻击实验,分析注意力通道处理设计的作用及两类模型间的攻击可迁移性。
2023-06-08 cs.CV cs.LG
Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Microsoft Research Asia(微软亚洲研究院)
本文提出了一种新的视觉Transformer,称为Swin Transformer,它能够作为计算机视觉的通用骨干。将Transformer从语言适应到视觉的挑战来自于两个领域之间的差异,例如视觉实体的规模变化很大,图像中的像素与文本中的单词相比分辨率很高。为了解决这些差异,我们提出了一个分层的Transformer,其表示与\textbf{S}移位\textbf{win}计算。移位加窗方案通过将自注意力计算限制在非重叠的局部窗口同时还允许跨窗口连接来带来更高的效率。这种分层结构具有在各种尺度下建模的灵活性,并且相对于图像大小具有线性计算复杂性。Swin Transformer的这些特性使其与广泛的视觉任务兼容,包括图像分类(ImageNet-1 K上的87.3 top-1精度)和密集预测任务,如目标检测(COCO test-dev上的58.7 box AP和51.1 mask AP)和语义分割(ADE 20 K val上的53.5 mIoU)。它的性能超过了之前的最先进水平,在COCO上为+2.7框AP和+2.6掩模AP,在ADE 20 K上为+3.2 mIoU,证明了基于Transformer的模型作为视觉骨干的潜力。分层设计和移动窗口的方法也证明有利于全MLP架构。代码和模型可在~ \url{https://github.com/microsoft/Swin-Transfor…
2021-08-17 cs.CV cs.LG
BOAT: Bilateral Local Attention Vision Transformer
Baidu Research(百度研究院);The University of Hong Kong(香港大学)
视觉Transformer在许多计算机视觉任务中取得了出色的性能。早期的视觉Transformer(如ViT和DeiT)采用全局自注意,当补丁数量很大时,这在计算上是昂贵的。为了提高效率,最近的视觉Transformer采用局部自注意力机制,其中在局部窗口内计算自注意力。尽管基于窗口的局部自我注意显著提高了效率,但它未能捕捉图像平面中遥远但相似的斑块之间的关系。为了克服图像空间的局部注意力的限制,在本文中,我们进一步利用补丁在特征空间中的局部性。我们使用它们的特征将补丁分组为多个簇,并在每个簇内计算自我注意力。这种特征空间局部注意力有效地捕捉了不同局部窗口中补丁之间的联系,但仍然相关。我们提出了一个双边局部注意力转换器视觉Transformer(BOAT),它集成了特征空间的局部注意力和图像空间的局部注意力。我们进一步将BOAT与Swin和CSWin模型集成,在几个基准数据集上进行的大量实验表明,我们的BOAT-CSWin模型明显且一致地优于现有的最先进的CNN模型和视觉Transformer。
2022-10-19 cs.CV cs.LG
On the Robustness of Vision Transformers to Adversarial Examples
University of Connecticut(康涅狄格大学);CWI(荷兰国家数学与计算机科学研究所)
基于注意力的网络的最新进展表明,视觉Transformer可以在许多图像分类任务上实现最先进或接近最先进的结果。这使得Transformers处于独特的位置,成为传统卷积神经网络(CNN)的一个有前途的替代品。虽然CNN已经被仔细研究了对抗攻击,但视觉Transformer却不能这么说。在本文中,我们研究了视觉Transformer对抗性的例子的鲁棒性。我们对Transformer安全性的分析分为三个部分。首先,我们在标准白盒和黑盒攻击下测试Transformer。其次,我们研究了CNN和Transformers之间对抗性示例的可移植性。我们表明,对抗性的例子不容易在CNN和Transformers之间转移。基于这一发现,我们分析了CNN和Transformers的简单集成防御的安全性。通过创建一个新的攻击,自注意混合梯度攻击,我们表明,这样的合奏是不安全的白盒对手。然而,在黑盒对手,我们表明,合奏可以实现前所未有的鲁棒性,而不牺牲干净的准确性。我们对这项工作的分析是使用六种类型的白盒攻击和两种类型的黑盒攻击。我们的研究包括多个视觉Transformer,Big Transfer Models和CNN架构,这些架构在CIFAR-10,CIFAR-100和ImageNet上进行了训练。
2021-06-05 cs.CV cs.LG
Can Vision Transformers Perform Convolution?
Peking University(北京大学);UCLA(加州大学洛杉矶分校);Microsoft Research(微软研究院)
最近的几项研究表明,基于注意力的网络,如视觉Transformer(ViT),在不使用卷积层的情况下,可以在几个计算机视觉任务上胜过卷积神经网络(CNN)。这自然会导致以下问题:ViT的自我注意层可以表达任何卷积运算吗?在这项工作中,我们证明了一个单一的ViT层与图像补丁作为输入可以执行任何卷积运算建设性的,其中的多头注意力机制和相对的位置编码起着至关重要的作用。我们进一步提供了视觉Transformer表达CNN的头数的下限。与我们的分析相对应,实验结果表明,我们的证明中的构造可以帮助将卷积偏差注入到Transformers中,并显着提高ViT在低数据状态下的性能。
2021-11-03 cs.CV cs.LG
Transformers in Self-Supervised Monocular Depth Estimation with Unknown Camera Intrinsics
Advanced Research Lab, NavInfo Europe(四维图新欧洲高级研究实验室)
自动驾驶和高级驾驶员辅助系统的出现使得计算机视觉在3D场景理解方面的不断发展成为必要。自监督单目深度估计是一种不使用地面真值标签的单目距离估计方法,是三维场景理解中的一项重要任务。然而,用于该任务的现有方法限于卷积神经网络(CNN)架构。与使用局部线性运算并在各层中丢失特征分辨率的CNN相比,视觉Transformer在每个阶段都以恒定的分辨率处理全局感受野。虽然最近的工作比较了Transformers与他们的CNN同行的任务,如图像分类,没有研究存在调查的影响,使用Transformers的自我监督单眼深度估计。在这里,我们首先演示了如何适应视觉Transformer的自我监督单眼深度估计。此后,我们比较了Transformer和基于CNN的架构在KITTI深度预测基准上的性能,以及它们对自然损坏和对抗攻击的鲁棒性,包括当相机内部函数未知时。我们的研究演示了如何基于transformer的架构,虽然运行时效率较低,实现了相当的性能,同时更强大和更普遍。
2022-02-07 cs.AI cs.CV
Part-based Face Recognition with Vision Transformers
Queen Mary University of London(伦敦玛丽女王大学)
使用CNN和基于边缘的损失的整体方法主导了人脸识别的研究。在这项工作中,我们从两个方面出发:(a)我们采用视觉Transformer作为一种架构,用于训练非常强大的人脸识别基线,简称为fViT,它已经超过了大多数最先进的人脸识别方法。(b)其次,我们利用Transformer的固有属性来处理从不规则网格中提取的信息(视觉令牌),以设计一个用于人脸识别的管道,这让人想起基于部分的人脸识别方法。我们的管道称为fViT部分,它只是包括一个轻量级网络来预测面部地标的坐标,然后是视觉Transformer对从预测的地标中提取的补丁进行操作,并且它是端到端训练的,没有地标监督。通过学习提取有区别的斑块,我们基于零件的Transformer进一步提高了视觉Transformer基线的准确性,在多个人脸识别基准测试中达到了最先进的准确性。
2022-11-30 cs.AI cs.CV
Exploring Corruption Robustness: Inductive Biases in Vision Transformers and MLP-Mixers
University of Pittsburgh(匹兹堡大学)
最近,为了解决卷积神经网络中的一些普遍弱点,已经开发了视觉Transformer和基于MLP的模型。由于Transformers与自注意力机制一起用于该领域的新颖性,因此仍然不清楚这些架构对损坏的鲁棒程度。尽管一些作品提出,数据增强仍然是必不可少的模型是强大的腐败,我们建议探索的影响,该架构对腐败的鲁棒性。我们发现,视觉Transformer架构本质上是更强大的腐败比ResNet-50和MLP混合器。我们还发现,参数比ResNet-50少5倍的视觉Transformer具有更多的形状偏差。我们的代码可以复制。
2021-07-03 cs.CV cs.LG
Adversarial Token Attacks on Vision Transformers
New York University(纽约大学)
与卷积网络相比,视觉Transformer依赖于基于补丁令牌的自注意力机制。我们通过设计一个基于块稀疏性的对抗令牌攻击来研究这两类模型之间的根本差异。我们探测和分析了Transformer以及卷积模型与不同补丁大小的令牌攻击。我们推断,Transformer模型比卷积模型对令牌攻击更敏感,ResNets在单令牌攻击的鲁棒准确性方面优于Transformer模型高达$\sim30\%$。
2021-10-08 cs.CR cs.CV cs.LG
A Survey on Visual Transformer
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Peking University(北京大学);The University of Sydney(悉尼大学)
本文综述了视觉Transformer在不同视觉任务中的分类、优缺点及高效方法,并探讨了自注意力机制、当前挑战与未来研究方向。
2023-07-10 cs.AI cs.CV
Hierarchical Vision Transformers for Context-Aware Prostate Cancer Grading in Whole Slide Images
Radboudumc(拉德堡德大学医学中心)
本文针对全切片图像尺寸过大导致视觉变换器输入序列过长的问题,提出采用层次视觉变换器(H-ViTs)进行前列腺癌分级,实验证明其性能与现有最先进方法相当。
2023-12-19 cs.AI cs.CV
Soft Mixture-of-Recursions: Going Deeper with Recursive Vision Transformers
Chungnam National University(忠南大学)
提出软混合递归(SoftMoR)方法,通过可学习的token级混合权重灵活组合递归步骤的输出,使递归视觉Transformer(SR-ViT)在增加递归深度时性能持续提升,参数开销极小。
2026-11-02 cs.CV cs.LG
A survey of the Vision Transformers and their CNN-Transformer based Variants
Pakistan Institute of Engineering & Applied Sciences(巴基斯坦工程与应用科学学院);Khalifa University of Science and Technology(哈利法科学技术大学);Air University(空军大学)
本综述系统分类并分析了视觉Transformer及混合视觉Transformer架构,重点探讨了其注意力机制、位置嵌入等关键特征,强调了混合架构在计算机视觉任务中的卓越性能与未来发展方向。
2024-07-27 cs.CV
Attacking Compressed Vision Transformers
New York University(纽约大学)
视觉Transformer因其卓越的性能而越来越多地嵌入到工业系统中,但其内存和功耗要求使得将其部署到边缘设备成为一项具有挑战性的任务。因此,模型压缩技术现在被广泛用于在边缘设备上部署模型,因为它们降低了资源需求并使模型推理非常快速和高效。但是,从安全角度来看,它们的可靠性和鲁棒性是安全关键型应用程序中的另一个主要问题。对抗攻击就像ML算法的光学错觉,它们会严重影响模型的准确性和可靠性。在这项工作中,我们研究了SOTA视觉Transformer模型中对抗样本在3个SOTA压缩版本中的可转移性,并推断出不同压缩技术对对抗攻击的影响。
2022-09-28 cs.CV cs.LG
X-ViT: High Performance Linear Vision Transformer without Softmax
Kakao Enterprise(Kakao企业)
视觉Transformer已成为计算机视觉任务中最重要的模型之一。虽然他们优于以前的作品,他们需要大量的计算资源的规模是令牌的数量,$N$的平方。这是传统的自注意(SA)算法的一个主要缺点。在这里,我们提出了具有线性复杂度的新型SA机制的X-ViT、ViT。这项工作的主要途径是消除非线性从原来的SA。我们因式分解SA机制的矩阵乘法,没有复杂的线性近似。通过修改只有几行代码,从原来的SA,所提出的模型优于大多数基于变换的模型在图像分类和密集的预测任务的大多数容量制度。
2022-05-27 cs.CV cs.LG
A Survey of Vision Transformers in Autonomous Driving: Current Trends and Future Directions
Cho Chun Shik Graduate School of Mobility, Daejeon, Korea(赵陈夏石移动研究生院)
本综述聚焦自动驾驶领域的视觉Transformer应用,梳理其基础概念与多场景应用,对比架构优劣,并指明未来研究方向。
2024-03-12 cs.CV cs.LG
On Convolutional Vision Transformers for Yield Prediction
University of Bonn(波恩大学)
本文测试卷积视觉Transformer(CvT)在直方图化遥感数据上的产量预测,虽性能不及XGBoost和CNN,但展示了Transformer在该任务中的潜力。
2024-02-08 cs.CV
Vision Transformers for Mobile Applications: A Short Survey
Cohere for AI Community(Cohere AI社区);ML Collective;IIT Delhi(印度理工学院德里分校);UC Berkeley(加州大学伯克利分校)
本文综述了面向移动端部署的小型视觉Transformer架构,分析其通过修改结构、结合CNN或稀疏化注意力来平衡精度与推理延迟,为移动端ViT选型提供参考。
2023-05-30 cs.AI cs.CV
Vision Transformers for Computer Go
Université Paris Dauphine - PSL(巴黎多芬大学-PSL大学);CNRS(法国国家科学研究中心);The University of New South Wales(新南威尔士大学)
本文研究视觉Transformer在计算机围棋中的应用,通过对比残差网络在准确率、胜率、资源开销等多维度的表现,证明了Transformer在围棋任务中的重要作用。
2023-09-22 cs.AI cs.CV
Augmented Shortcuts for Vision Transformers
Peking University(北京大学);Noah’s Ark Lab, Huawei Technologies(华为技术有限公司诺亚方舟实验室);University of Sydney(悉尼大学);Central Software Institution, Huawei Technologies(华为技术有限公司中央软件院)
近年来,Transformer模型在计算机视觉领域取得了很大的进展。视觉Transformer的快速发展主要得益于其从输入图像中提取信息特征的高表示能力。但主流的Transformer机型都是采用深度架构设计的,随着深度的增加,特征多样性会不断降低,即,功能崩溃。本文从理论上分析了这些Transformer模型中的特征塌陷现象,并研究了捷径与特征多样性之间的关系。然后,我们提出了一个增强的捷径计划,插入额外的路径与学习参数并行的原始捷径。为了节省计算成本,我们进一步探索了一种使用块循环投影来实现增强捷径的有效方法。在基准数据集上进行的大量实验证明了该方法的有效性,在不明显增加其参数和FLOP的情况下,使最先进的视觉Transformers的精度提高了1%。
2021-06-30 cs.CV cs.LG
GeoViT: A Versatile Vision Transformer Architecture for Geospatial Image Analysis
Fermion AI(费米人工智能)
提出紧凑的视觉Transformer模型GeoViT,处理卫星图像执行多模态分割、分类和回归任务,在估算CO2和NO2排放相关指标上超越现有模型且显著减小模型规模,助力全球气候监测与排放监管。
2023-11-24 cs.CV cs.LG
Vision Transformers: State of the Art and Research Challenges
National Yang Ming Chiao Tung University(国立阳明交通大学)
Transformers在自然语言处理方面取得了巨大的成功。由于Transformers具有强大的自我注意力机制,研究人员开发了视觉Transformer,用于各种计算机视觉任务,如图像识别,目标检测,图像分割,姿态估计和三维重建。本文对视觉Transformer的不同架构设计和训练技巧(包括自监督学习)的文献进行了全面的概述。我们的目标是提供一个系统的审查与开放的研究机会。
2022-07-07 cs.CV
Keep It SimPool: Who Said Supervised Transformers Suffer from Attention Deficit?
National Technical University of Athens(雅典国立技术大学);Institute of Advanced Research in Artificial Intelligence (IARAI)(人工智能高级研究所(IARAI))
针对监督视觉Transformer注意力图质量低的问题,提出通用基于注意力的池化机制SimPool,无需修改架构或显式损失,即可在监督和自监督下提升性能并生成高质量物体边界注意力图。
2023-09-13 cs.CV cs.LG
3D Shuffle-Mixer: An Efficient Context-Aware Vision Learner of Transformer-MLP Paradigm for Dense Prediction in Medical Volume
Tencent AI Lab(腾讯人工智能实验室);Peking Union Medical College Hospital(北京协和医院)
医学体积中的密集预测为临床分析提供了丰富的指导。CNN主干由于缺乏长距离依赖性和全局上下文建模能力而遇到瓶颈。由于CNN具有较强的全局捕获能力和学习能力,最近的工作提出将视觉Transformer与CNN相结合。然而,大多数工作仅限于简单地应用具有几个致命缺陷的纯Transformer(即,缺乏归纳偏差、计算量大且很少考虑3D数据)。因此,设计一个优雅和高效的视觉Transformer学习器在医学体积密集预测是有前途的和具有挑战性的。在本文中,我们提出了一种新的3D洗牌混合器网络的一个新的本地视觉Transformer -MLP范例的医疗密集预测。在我们的网络中,一个本地的视觉Transformer块被用来洗牌和学习空间上下文从全视图切片的重新排列的体积,一个剩余的轴向MLP被设计为混合和捕获剩余的体积上下文切片感知的方式,和一个MLP视图聚合器被用来投影学习的全视图丰富的上下文以视图感知的方式的体积功能。此外,提出了一种自适应缩放增强的局部视觉Transformer,以增强沿空间和通道的自适应特征,并提出了一种交叉合并的金字塔结构中的多尺度功能适当的跳跃连接。大量的实验表明,该模型优于其他国家的最先进的医疗密集预测方法。
2022-04-14 cs.AI cs.CV
IO Transformer: Evaluating SwinV2-Based Reward Models for Computer Vision
本研究提出基于SwinV2的IO Transformer等计算机视觉奖励模型,验证其在输入依赖场景下的高评估准确率,并发现原始SwinV2在非完全输入依赖场景中表现更优,拓展了Transformer在视觉奖励建模领域的应用。
2024-10-31 cs.CV cs.LG