像素變換器 (PiT) 挑戰視覺模型中局部偏差的需求

Meta AI 和阿姆斯特丹大學的最新研究表明，變壓器（一種流行的神經網路架構）可以直接對影像的各個像素進行操作，而不依賴大多數現代電腦視覺模型中存在的局部歸納偏差。

Meta AI 和阿姆斯特丹大學的研究人員證明，Transformers（一種流行的神經網路架構）可以直接對影像的各個像素進行操作，而不依賴局部歸納大多數現代電腦視覺模型中都存在偏見。更相關的概念）是一個基本概念

傳統上，諸如卷積神經網路（ConvNet）和視覺變換器（ViT）之類的電腦視覺架構透過卷積核、池化操作和修補化等技術合併了局部性偏差，假設相鄰像素是

相比之下，研究人員引入了像素變換器（PiT），它將每個像素視為單獨的標記，消除了有關影像2D 網格結構的任何假設。令人驚訝的是，PiT 在各種任務中都取得了高效能的結果。品質指標上優於局部偏向的同儕（ FID）和初始分數（IS）。視覺模型中對局部性偏差的需求。隨著處理大序列長度方面的進步，PiT 可能會變得更加實用。 、更強大的系統和資料模式。

新聞來源：

https://www.kdj.com/cryptocurrencies-news/articles/pixel-transformers-pits-challenge-locality-bias-vision-models.html

以上是像素變換器 (PiT) 挑戰視覺模型中局部偏差的需求的詳細內容。更多資訊請關注PHP中文網其他相關文章！