T2T-ViT:在ImageNet上从头训练视觉Transformer

文章介绍了T2T-ViT,一种新型的视觉Transformer,旨在解决ViT在ImageNet上从头训练时的效率问题。T2T-ViT采用逐层tokens到token转换,减少了参数和计算量,同时提高了性能。实验证明,T2T-ViT在减少200%参数和MAC的情况下,性能优于ViT和ResNet,达到了与MobileNets相当的水平。
摘要由CSDN通过智能技术生成

本文提出一种新的Tokens到Token 视觉Transformer(T2T-ViT)!性能更快更强,将原始ViT的参数和MAC减少200%,性能优于ViT、ResNet等网络,代码刚刚开源!

昨天才推了一个CNN+Transformer的新backbone:CNN+Transformer!谷歌提出BoTNet:新主干网络!在ImageNet上达84.7%,今天又来了一个新工作,CV圈太内卷了!

不过这篇论文中并没有在目标检测、实例分割等下游任务上的充足实验数据,如果加上相关分析就更好了,毕竟现在"backbone"可不好被review
注1:文末附【Transformer】流群

注2:整理不易,欢迎点赞,支持分享!

在这里插入图片描述

Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet
在这里插入图片描述

  • 作者单位:新加坡国立大学, 依图科技
  • 代码:https://github.com/yitu-opensourc
  • 4
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值