論文の概要: AgileIR: Memory-Efficient Group Shifted Windows Attention for Agile Image Restoration

• arxiv url: http://arxiv.org/abs/2409.06206v1
• Date: Tue, 10 Sep 2024 04:20:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 19:00:01.349806
• Title: AgileIR: Memory-Efficient Group Shifted Windows Attention for Agile Image Restoration
• Title（参考訳）: AgileIR: メモリ効率のよいグループがアジャイルイメージ復元のためにWindowsアテンションをシフト
• Authors: Hongyi Cai, Mohammad Mahdinur Rahman, Mohammad Shahid Akhtar, Jie Li, Jingyu Wu, Zhili Fang,
• Abstract要約: 私たちは、アジャイルIR、グループシフトの注意機構とウィンドウアテンションを導入し、アーキテクチャのモデルをわずかに単純化します。 グループシフトウィンドウ・アテンション(GSWA)は、シフトウィンドウ・マルチヘッド・アテンション(SW-MSA)とウィンドウ・マルチヘッド・アテンション(W-MSA)を分解する また、チャネル内のウィンドウ間で相互作用するモデルを誘導するために、トレーニング中のウィンドウマスキングと学習可能なバイアスをシフトさせ続けます。
• 参考スコア（独自算出の注目度）: 5.035053213555236
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Image Transformers show a magnificent success in Image Restoration tasks. Nevertheless, most of transformer-based models are strictly bounded by exorbitant memory occupancy. Our goal is to reduce the memory consumption of Swin Transformer and at the same time speed up the model during training process. Thus, we introduce AgileIR, group shifted attention mechanism along with window attention, which sparsely simplifies the model in architecture. We propose Group Shifted Window Attention (GSWA) to decompose Shift Window Multi-head Self Attention (SW-MSA) and Window Multi-head Self Attention (W-MSA) into groups across their attention heads, contributing to shrinking memory usage in back propagation. In addition to that, we keep shifted window masking and its shifted learnable biases during training, in order to induce the model interacting across windows within the channel. We also re-allocate projection parameters to accelerate attention matrix calculation, which we found a negligible decrease in performance. As a result of experiment, compared with our baseline SwinIR and other efficient quantization models, AgileIR keeps the performance still at 32.20 dB on Set5 evaluation dataset, exceeding other methods with tailor-made efficient methods and saves over 50% memory while a large batch size is employed.
• Abstract（参考訳）: Image Transformersは、画像復元タスクで素晴らしい成功を収めています。 それにもかかわらず、トランスフォーマーベースのモデルのほとんどは、排他的メモリ占有によって厳格に拘束されている。 私たちのゴールは、Swin Transformerのメモリ消費を減らし、同時にトレーニングプロセス中にモデルを高速化することです。 ですから、私たちはアジャイルIRを導入し、グループで注意を移すメカニズムとウィンドウの注意を合わせて、アーキテクチャのモデルをわずかに単純化します。 グループシフトウィンドウ・アテンション(GSWA)を提案し、シフトウィンドウ・マルチヘッド・セルフアテンション(SW-MSA)とウインドウ・マルチヘッド・セルフアテンション(W-MSA)をアテンションヘッド全体にわたるグループに分解し、バック伝搬におけるメモリ使用量の削減に寄与する。 それに加えて、私たちは、チャネル内のウィンドウ間で相互作用するモデルを誘導するために、トレーニング中のウィンドウマスキングと学習可能なバイアスをシフトし続ける。 また,プロジェクションパラメータを再配置し,アテンション行列計算を高速化した。 実験の結果、私たちのベースラインSwinIRや他の効率的な量子化モデルと比較して、AgileIRは、Set5評価データセット上で、パフォーマンスを32.20dBに保ちます。

関連論文リスト

• EchoAtt: Attend, Copy, then Adjust for More Efficient Large Language Models [29.57891007810509]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて優れた性能を示している。 本稿では,レイヤ間の注目パターンの類似性を解析し,活用することにより,トランスフォーマーベースモデルの最適化を目的とした,新しいフレームワークであるEchoAttを紹介する。 TinyLLaMA-1.1Bによる最良の結果は、EchoAttが推論速度を15%改善し、トレーニング速度を25%改善し、パラメータ数を約4%削減し、ゼロショット性能を改善したことを示している。
  論文  参考訳（メタデータ） (2024-09-22T21:08:37Z)
• CageViT: Convolutional Activation Guided Efficient Vision Transformer [90.69578999760206]
  本稿では,CageViTと呼ばれる効率的な視覚変換器を提案する。 私たちのCageViTは、現在のTransformersとは違って、新しいエンコーダを使用して、再配置されたトークンを処理する。 実験の結果,提案したCageViTは最新の最先端のバックボーンよりも効率の面で大きな差があることがわかった。
  論文  参考訳（メタデータ） (2023-05-17T03:19:18Z)
• DilateFormer: Multi-Scale Dilated Transformer for Visual Recognition [62.95223898214866]
  我々は,視覚変換器の有効性を探究し,参加する受容領域の計算複雑性とサイズとのトレードオフを追求する。 ピラミッドアーキテクチャを用いて,MSDAブロックを低レベルに積み重ねたマルチスケールDilated Transformer (DilateFormer) と,高レベルにグローバルなマルチヘッド自己保持ブロックを構築する。 実験の結果,DilateFormerは様々な視覚タスクで最先端のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-02-03T14:59:31Z)
• Skip-Attention: Improving Vision Transformers by Paying Less Attention [55.47058516775423]
  視覚計算変換器(ViT)は、すべての層で高価な自己注意操作を使用する。 また,SkipAtを提案する。SkipAtは,先行層から自己注意を再利用して1層以上の注意を近似する手法である。 本稿では,画像の分類と自己教師型学習,ADE20Kのセマンティックセグメンテーション,SIDDの画像デノイング,DAVISのビデオデノナイズにおける手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-01-05T18:59:52Z)
• Green Hierarchical Vision Transformer for Masked Image Modeling [54.14989750044489]
  階層型視覚変換器(ViT)を用いたマスク付き画像モデリングのための効率的な手法を提案する。 グループウィンドウのアテンションスキームは,ディバイド・アンド・コンカエ戦略に従って設計する。 グループ化されたパッチに対する注意の全体的なコストを最小限に抑えるため、動的プログラミングアルゴリズムによるグループ化戦略をさらに改善する。
  論文  参考訳（メタデータ） (2022-05-26T17:34:42Z)
• Learned Queries for Efficient Local Attention [11.123272845092611]
  視覚変換器の自己保持機構は、高レイテンシと非効率なメモリ利用に悩まされる。 本稿では,クエリ・アンド・アテンション(QnA)と呼ばれる,新たなシフト不変なローカルアテンション層を提案する。 我々は、最先端モデルと同等の精度を達成しつつ、スピードとメモリの複雑さの改善を示す。
  論文  参考訳（メタデータ） (2021-12-21T18:52:33Z)
• Pruning Self-attentions into Convolutional Layers in Single Path [89.55361659622305]
  ビジョントランスフォーマー(ViT)は、様々なコンピュータビジョンタスクに対して印象的なパフォーマンスを実現している。 トレーニング済みのViTを効率よく自動圧縮するSPViT(Single-Path Vision Transformer pruning)を提案する。 われわれのSPViTはDeiT-Bで52.0%のFLOPをトリミングできる。
  論文  参考訳（メタデータ） (2021-11-23T11:35:54Z)
• Mesa: A Memory-saving Training Framework for Transformers [58.78933015299703]
  本稿では,トランスフォーマーのためのメモリ節約トレーニングフレームワークであるMesaを紹介する。 Mesaは、フォワードパス中に正確なアクティベーションを使用し、低精度のアクティベーションを格納することで、トレーニング中のメモリ消費を減らす。 ImageNet、CIFAR-100、ADE20Kの実験は、Mesaがトレーニング中にメモリフットプリントの半分を削減できることを示した。
  論文  参考訳（メタデータ） (2021-11-22T11:23:01Z)

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。