Vision Transformer在一些任务上超越了CNN,得益于全局信息的聚合。在ViT论文中,作者引入了一个cls_token
作为分类特征。
如果没有cls_token
,我们使用哪个patch token
做分类呢?根据自注意机制,每个patch token
一定程度上聚合了全局信息,但是主要是自身特征。ViT论文还使用了所有token
取平均的方式,这意味每个patch
对预测的贡献相同,似乎不太合理。实际上,这样做的效果基本和引入cls_token
差不多。
cls_token的作用
cls_token
与图像无关。它是随机生成的,不基于图像内容,因此可以避免对sequence中某个特定token的偏向性。cls_token
对所有其他token上的信息做汇聚(全局特征聚合),cls_token(第0个token)使用固定的位置编码能够避免输出受到位置编码的干扰。- 采用attention机制来做全局特征聚合而言表达能力比
token
取平均的方式更强。因为采用attention机制来做特征聚合,能够根据query和key之间的关系来自适应地调整特征聚合的权重,而采用求平均的方式的权重是相同的。