AIGC動態歡迎閱讀

原標題：Meta新研究挑戰CV領域基操：ViT根本不用patch，用像素做token效果更佳
關鍵字：模型,局部性,報告,圖像,偏差
文章來源：新智元
內容字數：0字

內容摘要：

新智元報道編輯：喬楊
【新智元導讀】下一代視覺模型會摒棄patch嗎？Meta AI最近發表的一篇論文就質疑了視覺模型中局部關系的必要性。他們提出了PiT架構，讓Transformer直接學習單個像素而不是16×16的patch，結果在多個下游任務中取得了全面超越ViT模型的性能。正如token是文本處理的基本單位，patch也被默認是計算機視覺領域處理圖像的基本單位。
從CNN誕生，到結合Transformer架構的ViT，雖然模型架構發生了很大的變化，但有一點始終一致——
研究人員們都會把原始圖像先進行切割，模型輸入以patch作為基本單位。這種預處理方法非常有效，因此有廣泛的影響力，幾乎主導了整個CV領域。甚至于，Sora等視頻生成模型也沿用了這種方法。
Sora技術報告，訓練時將視覺數據切割為patch
然而，Meta AI和阿姆斯特丹大學最近聯合發表了一篇文章，對這個CV領域的「基操」提出了有理有據的質疑：圖像切成patch，真的有必要嗎？
https://arxiv.org/abs/2406.09415
首先我們可以做一個思維實驗，將圖片切成patch，究竟會對模型的哪方

原文鏈接：Meta新研究挑戰CV領域基操：ViT根本不用patch，用像素做token效果更佳

聯系作者

文章來源：新智元
作者微信：AI_era
作者簡介：智能+中國主平臺，致力于推動中國從互聯網+邁向智能+新紀元。重點關注人工智能、機器人等前沿領域發展，關注人機融合、人工智能和機器人對人類社會與文明進化的影響，領航中國新智能時代。