Training data-efficient image transformersa& distillation through attention
https://arxiv.org/abs/2012.12877
Background
Transformer在CV领域已呈席卷之势滚滚而来~
Related work and the limit
ViT(Vision Transformer)对二维图像进行切片并序列化作为输入,将NLP中的Transformer结构直接引入图像分类任务中,取得了SOTA的精度(可怕的88.7%~)。然而,ViT的训练却让大部分人只能望而却步。ViT选择采用超大数据集进行预训练,然后再迁移到下游任务的训练流程,对训练数据的大小,服务器等资源配比的要求极高。(在ViT中,直接在ImageNet上进行训练精度并不具备优势:”do not generalize well when trained on insufficient amounts of data”。)
Novel Points
- 本文针对于ViT不能直接在ImageNet上进行训练的问题进行了研究并解决了该问题(即data-efficient training)
- 同时,提出了一种对Transformer结构进行蒸馏的可行方案。
Methodology
- Data-efficient training. 先/(ㄒoㄒ)/~~一个,没有改结构,没有新的trick,就是一模一样的ViT结构&#