关注公众号,发现CV技术之美
1
写在前面
Transformer能在对2D空间结构了解最少的情况下,从序列到序列的角度执行2D对象级别识别吗? 为了回答这个问题,作者提出了You Only Look at One Sequence(YOLOS) ,这是一个基于原始视觉Transformer的目标检测模型,尽可能少的进行模型修改和加入归纳偏置。
作者发现,仅在ImageNet-1k数据集上预训练的YOLOS已经能够在COCO上实现具有竞争力的目标检测性能,例如,YOLOS Base可以实现42.0 的box AP。
2
论文和代码地址
You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection
论文地址:https://www.arxiv-vanity.com/papers/2106.00666/
代码地址:https://github.com/hustvl/YOLOS
3
Motivation
在自然语言处理 (NLP) 中,目前主流的方法是先在大型通用语料库上进行预训练Transformer以进行通用语言表示学习,然后在特定目标任务上对模型进行优化。最近,视觉Transformer (ViT) 证明了直接从NLP继承的Transformer编码器结构可以在大规模图像识别中表现出非常好的性能。
以图像patch嵌入序列作为输入,ViT可以从纯序列到序列的角度,将预训练的通用视觉表示迁移到更具体的图像分类任务。
由于预训练的Transformer可以在NLP中的句子级任务以及token级任务上进行微调,因此,作者提出了一个问题:ViT能否也迁移到计算机视觉中更复杂的任务中,例如目标检测?
ViT对远程依赖关系和全局上下文信息进行建模,而不是对局部和区域级别的关系进行建