論文の概要: Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions

• arxiv url: http://arxiv.org/abs/2102.12122v1
• Date: Wed, 24 Feb 2021 08:33:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 17:55:26.323370
• Title: Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions
• Title（参考訳）: Pyramid Vision Transformer: 畳み込みのない密度予測のための汎用バックボーン
• Authors: Wenhai Wang, Enze Xie, Xiang Li, Deng-Ping Fan, Kaitao Song, Ding Liang, Tong Lu, Ping Luo, Ling Shao
• Abstract要約: この研究は、畳み込みのない多くの密な予測タスクに有用な単純なバックボーンネットワークを調査します。 画像分類用に特別に設計された最近提案されたトランスフォーマーモデル(例: ViT)とは異なり、Pyramid Vision Transformer(PVT)を提案する。 PVTは、高出力の解像度を達成するために画像の高密度分割をトレーニングするだけでなく、高密度の予測に重要である。
• 参考スコア（独自算出の注目度）: 103.03973037619532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although using convolutional neural networks (CNNs) as backbones achieves great successes in computer vision, this work investigates a simple backbone network useful for many dense prediction tasks without convolutions. Unlike the recently-proposed Transformer model (e.g., ViT) that is specially designed for image classification, we propose Pyramid Vision Transformer~(PVT), which overcomes the difficulties of porting Transformer to various dense prediction tasks. PVT has several merits compared to prior arts. (1) Different from ViT that typically has low-resolution outputs and high computational and memory cost, PVT can be not only trained on dense partitions of the image to achieve high output resolution, which is important for dense predictions but also using a progressive shrinking pyramid to reduce computations of large feature maps. (2) PVT inherits the advantages from both CNN and Transformer, making it a unified backbone in various vision tasks without convolutions by simply replacing CNN backbones. (3) We validate PVT by conducting extensive experiments, showing that it boosts the performance of many downstream tasks, e.g., object detection, semantic, and instance segmentation. For example, with a comparable number of parameters, RetinaNet+PVT achieves 40.4 AP on the COCO dataset, surpassing RetinNet+ResNet50 (36.3 AP) by 4.1 absolute AP. We hope PVT could serve as an alternative and useful backbone for pixel-level predictions and facilitate future researches. Code is available at https://github.com/whai362/PVT.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)をコンピュータビジョンにおいて大きな成功を収める一方で、畳み込みのない多くの密集した予測タスクに有用な単純なバックボーンネットワークを探索する。 近年提案されている画像分類用トランスフォーマーモデル(例えばvit)とは異なり、様々な密集した予測タスクへのトランスフォーマーの移植の難しさを克服するピラミッドビジョントランスフォーマー(pvt)を提案する。 PVTは先行技術と比較していくつかの利点がある。 1)通常、低解像度の出力と高い計算およびメモリコストを有するViTとは異なり、PVTは、高密度の予測のために重要である高出力の解像度を達成するために画像の高密度分割で訓練することができるだけでなく、大規模な特徴マップの計算を減らすために進歩的な縮小ピラミッドを使用する。 2) PVTはCNNとTransformerの両方の利点を継承し、CNNのバックボーンを置き換えるだけで、畳み込みのない様々なビジョンタスクで統一されたバックボーンになります。 3)幅広い実験を行ってpvtを検証することで,オブジェクト検出やセマンティクス,インスタンスセグメンテーションなど,多くのダウンストリームタスクのパフォーマンスが向上することを示す。 例えば、同等のパラメータ数で、RetinaNet+PVTはCOCOデータセット上で40.4 APを達成し、RetinNet+ResNet50(36.3 AP)を4.1絶対APで上回る。 PVTがピクセルレベルの予測の代替的および有用なバックボーンとなり、将来の研究を促進することを期待しています。 コードはhttps://github.com/whai362/PVTで入手できます。

関連論文リスト

• ViT-CoMer: Vision Transformer with Convolutional Multi-scale Feature Interaction for Dense Predictions [4.554319452683839]
  Vision Transformer (ViT) はコンピュータビジョンにおいて大きな成功を収めているが、密集した予測タスクではうまく機能しない。 コンボリューショナル・マルチスケール機能を有するVTバックボーンであるViT-CoMerについて述べる。 階層的特徴をまたいだマルチスケールの融合を行う,シンプルで効率的なCNN-Transformer双方向核融合モジュールを提案する。
  論文  参考訳（メタデータ） (2024-03-12T07:59:41Z)
• PriViT: Vision Transformers for Fast Private Inference [55.36478271911595]
  Vision Transformer (ViT) アーキテクチャは、コンピュータビジョンアプリケーションのための最先端のディープモデルのバックボーンとして登場した。 ViTは、多くの非ポリノミカル操作のため、セキュアなマルチパーティプロトコルを使用したプライベート推論には適していない。 予測精度を維持しつつ,ViTの非線形性を選択的に"テイラー化"するアルゴリズムであるPriViTを提案する。
  論文  参考訳（メタデータ） (2023-10-06T21:45:05Z)
• RangeViT: Towards Vision Transformers for 3D Semantic Segmentation in Autonomous Driving [80.14669385741202]
  視覚変換器(ViT)は多くの画像ベースのベンチマークで最先端の結果を得た。 ViTはトレーニングが難しいことで知られており、強力な表現を学ぶために大量のトレーニングデータを必要とする。 提案手法はRangeViTと呼ばれ,nuScenes や Semantic KITTI において既存のプロジェクションベースの手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-24T18:50:48Z)
• Unified Visual Transformer Compression [102.26265546836329]
  本稿では,3つの有効な手法をシームレスに組み立てる,統一的なViT圧縮フレームワークを提案する。 予算制約のあるエンドツーエンドの最適化フレームワークを定式化し、モデルウェイトを共同学習し、レイヤーワイドプルーニング比/マスクを作成し、構成をスキップする。 実験は、ImageNetデータセット上のDeiTやT2T-ViTのバックボーンなど、いくつかのViT変種で実施されています。
  論文  参考訳（メタデータ） (2022-03-15T20:38:22Z)
• Vision Transformer with Progressive Sampling [73.60630716500154]
  本稿では,識別領域を特定するための反復的・漸進的なサンプリング手法を提案する。 ImageNetでスクラッチからトレーニングされた場合、PS-ViTはトップ1の精度でバニラViTよりも3.8%高いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-08-03T18:04:31Z)
• PVT v2: Improved Baselines with Pyramid Vision Transformer [112.0139637538858]
  原型ピラミドビジョントランス(PVT v1)の改良 PVT v2は、PVT v1の計算複雑性を線形に減少させる。 分類、検出、セグメンテーションといった基本的なビジョンタスクにおいて、大幅な改善が達成されている。
  論文  参考訳（メタデータ） (2021-06-25T17:51:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。