Vision Transformer(VIT)
从宏观的角度看,Vision Transformer和一般的CNN模型大体相同,都分为特征提取网络与分类网络。
特征提取网络部分,Vision Transformer会将图片等量切分成若干个patches,并将这些patches压平成一个并不包含空间位置信息的patch序列,输入至模型中。而后使用Transformer Encoder中的多头自注意力机制(Multi-Head Self-Attention)对输入的每个patch计算其重要程度,并保留其本身提取到的信息。
分类网络部分,Vision Transformer接收到了特征提取网络输出的特征信息,将这些特征信息通过一个普通的多层感知机(MLP)对全局特征进行分类。
1、Linear Projection of Flattened Patches(Embedding层)
对于标准的Transformer模块,要求输入的是token(向量)序列,即二维矩阵[num_token, token_dim],(向量数,向量)如下图,token0-9对应的都是向量,以ViT-B/16为例,每个token向量长度为768。
对于图像数据而言,其数据格式为[H, W, C]是三维矩阵明显不是Transformer想要的。所以需要先通过一个Embedding层来对数据做个变换。以ViT-B/16为例,将输入图片(224x224)按照16x16大小的Patch进行划分,划分后会得到196个Patches。接着通过线性映射将每个Patch映射到一维向量中,以ViT-B/16为例,每个Patche数据shape为[16, 16, 3]通过映射得到一个长度为768的向量(后面都直接称为token)。[16, 16, 3] -> [768]。196个长度为768的向量正好可以构成一个【196,768】的二维矩阵。
如下图所示,首先将一张图片按给定大小分成一堆Patches。
同时,在输入Transformer Encoder之前注意需要加上[class]token(用来分类)以及Position Embedding(用来定位)。 在刚刚得到的一堆tokens中插入一个专门用于分类的[class]token,这个[class]token是一个可训练的参数,数据格式和其他token一样都是一个向量,以ViT-B/16为例,就是一个长度为768的向量,与之前从图片中生成的tokens拼接在一起,Cat([1, 768], [196, 768]) -> [197, 768]。然后关于Position Embedding就是之前Transformer中讲到的Positional Encoding,这里的Position Embedding采用的是一个可训练的参数(1D Pos. Emb.),是直接叠加在tokens上的(add),所以shape要一样。以ViT-B/16为例,刚刚拼接[class]token后shape是[197, 768],那么这里的Position Embedding的shape也是[197, 768]
VIT细节部分
Vision Transformer (ViT) 用于图片分类_哔哩哔哩_bilibili
参考链接:
Vision Transformer详解_太阳花的小绿豆的博客-CSDN博客
保姆级教学 —— 手把手教你复现Vision Transformer_vision transformer复现_越来越胖的GuanRunwei的博客-CSDN博客