©作者 |小欣
今天和大家分享一篇关于“Vision Transformer的自监督学习”的文章,文章来源是BEiT(BERT Pre-Training of Image Transformers),文章的出品方是微软,感兴趣的小伙伴可以自行去下载阅读哦!好的,接下来,我们就简单地“解剖”一下这篇文章吧!
Transformer 在计算机视觉领域已经获得巨大的成功。然而,大量的实验研究表明,训练Vision Transformer 需要比训练卷积神经网络(CNN)更多的数据。
为了解决这个问题,自监督预训练这种方式,即可以利用大规模的无标注数据。近期研究,比如对比学习或者自蒸馏,都揭示了在vision Transformer上进行预训练的可行性。
这篇文章引入了一种自监督的视觉表示模型 BEIT,它代表Vision Transformer的双向编码表示。这是继在自然语言处理领域开发的 BERT (Devlin等人在2019年提出) 之后,通过图像掩码建模任务来预训练视觉转换器的模型。
文章的主要贡献
● 提出了一个图像掩码建模任务,以自我监督的方式预训练视觉转换器。还从变分自编码器的角度提供了理论解释。
● 预训练 BEIT 模型,并对下游任务进行广泛的微调实验,例如图