打卡第30天,几天学习 Vision Transformer图像分类
简称ViT,是自然语言处理和计算机视觉两个领域的融合结晶。它是不依赖卷积操作的情况下,依然可以在图像分类任务上达到很好的效果的一种经典的分类方法。
ViT模型的主体结构是基于Transformer模型的Encoder部分,其模型结构相较于传统的Transformer有以下几个特点:
1.数据集的原图像被划分为多个patch(图像块)后,将二维patch(不考虑channel)转换为一维向量,再加上类别向量与位置向量作为模型输入;
2.模型主体的Block结构是基于Transformer的Encoder结构,但是调整了Normalization的位置,其中,最主要的结构依然是Multi-head Attention结构;
3.模型在Blocks堆叠后接全连接层,接受类别向量的输出作为输入并用于分类。通常情况下,我们将最后的全连接层称为Head,Transformer Encoder部分为backbone;