本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转谷歌载请联系出处。
谷歌大脑的视觉Transformer团队(ViT),搞大脑了个复古操作。
他们不用卷积神经网络(CNN)、也不用Transf最新ormer,仅凭最早的AI视觉任务采用的多层感知机(MLP)结构操作,就实现了接近SOTA的性能,更是在ImageNet图像分类任务上取玩“得了87.94%的准确率。
这个架构名为MLP-Mixer,采用复古两种不同类型的MLP层,可以看做是一个特殊的CNN,使用 1×1卷积进行”:通道混合(按位操作),同时全感受野和参数共享的的单通道深度卷积进行字符混不用合(跨位操作)。
在JFT-300M数据集上预训练、微调到224分卷积辨率的Mixer-H/14版本取得了86.32%的准确率,比S注意OTA模型ViT-H/14仅低0.3%,但运行速度是其2.2倍。
论文力,地址:
https://arxiv.org/abs/2105.0图像1601
项目地址:
https://github.com/goo分类gle-research/vision_transformer/接近tree/linen