An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

Alexey Dosovitskiy; Lucas Beyer; Alexander Kolesnikov; Dirk Weissenborn; Xiaohua Zhai; Thomas Unterthiner; Mostafa Dehghani; Matthias Minderer; Georg Heigold; Sylvain Gelly; Jakob Uszkoreit; Neil Houlsby

शोध पत्र · arXiv 2010.11929

An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, Dirk Weissenborn, Xiaohua Zhai, Thomas Unterthiner, Mostafa Dehghani, Matthias Minderer, Georg Heigold, Sylvain Gelly, Jakob Uszkoreit, Neil Houlsby

प्रकाशित 2020-10-22cs.CVcs.AIcs.LG arXiv PDF

अनुवाद और AI के साथ पढ़ें

तीन पंक्तियों में सारांश

🎯 मजबूत इंडक्टिव बायस के कारण कंप्यूटर विज़न में कन्वेन्शनल न्यूरल नेटवर्क का दबदबा रहा है, जबकि मानक Transformers में 2D छवियों के लिए सीधे और स्केलेबल अनुप्रयोग का अभाव था।
🔧 छवि को निश्चित आकार के चपटे (flattened) पैचों (जैसे, 16x16) में विभाजित करें, उन्हें टोकन एम्बेडिंग में रैखिक रूप से प्रोजेक्ट करें, स्थिति एम्बेडिंग जोड़ें, और उन्हें एक प्रारंभिक [class] टोकन के साथ मानक Transformer एन्कोडर से गुज़ारें।
📈 JFT-300M पर प्री-ट्रेन होने पर, ViT-H/14 ImageNet पर 88.55% शीर्ष-1 सटीकता, ImageNet ReaL पर 90.72%, और VTAB पर 77.63% सटीकता प्राप्त करता है, जो तुलनीय CNNs की तुलना में काफी कम प्री-ट्रेनिंग कंप्यूट का उपयोग करता है।

सार

यद्यपि Transformer आर्किटेक्चर प्राकृतिक भाषा प्रसंस्करण (NLP) कार्यों के लिए मानक बन चुका है, कंप्यूटर विज़न में इसके अनुप्रयोग सीमित रहे हैं। विज़न में, अटेंशन का उपयोग या तो कन्वेन्शनल नेटवर्क के साथ संयोजन में किया जाता है, या उनकी समग्र संरचना को बनाए रखते हुए कुछ घटकों को बदलने के लिए किया जाता है। हम दिखाते हैं कि CNNs पर यह निर्भरता आवश्यक नहीं है और इमेज पैच के अनुक्रमों पर सीधे लागू किया गया एक शुद्ध ट्रांसफॉर्मर इमेज क्लासिफिकेशन कार्यों में बहुत बेहतर प्रदर्शन कर सकता है। जब इसे बड़े डेटा पर प्री-ट्रेन किया जाता है और कई मध्यम या छोटे इमेज रिकग्निशन बेंचमार्क (ImageNet, CIFAR-100, VTAB, आदि) पर स्थानांतरित किया जाता है, तो Vision Transformer (ViT) अत्याधुनिक कन्वेन्शनल नेटवर्क की तुलना में उत्कृष्ट परिणाम प्राप्त करता है, जबकि इसके प्रशिक्षण में काफी कम कम्प्यूटेशनल संसाधनों की आवश्यकता होती है।

मूल सार (अंग्रेज़ी)

While the Transformer architecture has become the de-facto standard for natural language processing tasks, its applications to computer vision remain limited. In vision, attention is either applied in conjunction with convolutional networks, or used to replace certain components of convolutional networks while keeping their overall structure in place. We show that this reliance on CNNs is not necessary and a pure transformer applied directly to sequences of image patches can perform very well on image classification tasks. When pre-trained on large amounts of data and transferred to multiple mid-sized or small image recognition benchmarks (ImageNet, CIFAR-100, VTAB, etc.), Vision Transformer (ViT) attains excellent results compared to state-of-the-art convolutional networks while requiring substantially fewer computational resources to train.

पढ़ने की गाइड

समस्या और प्रेरणा

कन्वेन्शनल आर्किटेक्चर (जैसे, ResNet) ट्रांसलेशन इक्विवेरियंस और 2D लोकैलिटी जैसे हार्डकोडेड इंडक्टिव बायस के कारण लंबे समय से आधुनिक कंप्यूटर विज़न की नींव रहे हैं। जहाँ कम्प्यूटेशनल दक्षता और व्यापक मापनीयता के कारण Transformers प्राकृतिक भाषा प्रसंस्करण (NLP) में मानक बन गए, वहीं विज़न में सेल्फ-अटेंशन लाने के पूर्व प्रयासों में आमतौर पर अटेंशन को CNN बैकबोन के साथ जोड़ा गया या विशेष स्थानीय/अक्षीय (local/axial) अटेंशन पैटर्न का उपयोग किया गया जिन्हें हार्डवेयर त्वरक (hardware accelerators) पर कुशलतापूर्वक स्केल करना कठिन था। यह शोधपत्र जांच करता है कि क्या न्यूनतम संशोधनों के साथ इमेज पैच के अनुक्रमों पर सीधे लागू किया गया एक शुद्ध Transformer आर्किटेक्चर, अत्याधुनिक CNNs को टक्कर दे सकता है या उनसे बेहतर प्रदर्शन कर सकता है।

मुख्य विचार

शब्दों के अनुक्रम के रूप में छवियां (Images as Sequences of Words): एक छवि $x \in R^{H \times W \times C}$ को $P \times P$ आकार के गैर-अतिव्यापी (non-overlapping) पैचों में विभाजित किया जाता है। चपटे पैचों (flattened patches) को NLP टोकन के समान माना जाता है।
न्यूनतम इंडक्टिव बायस (Minimal Inductive Bias): CNNs के विपरीत, जहाँ स्थानिक स्थानीयता (spatial locality) और ट्रांसलेशन इक्विवेरियंस प्रत्येक परत में मौजूद होते हैं, ViT सभी पैचों में ग्लोबल सेल्फ-अटेंशन का उपयोग करता है। 2D संरचना का संदर्भ केवल पैच निकालते समय और उच्च-रिज़ॉल्यूशन फाइन-ट्यूनिंग के लिए पोज़िशन एम्बेडिंग को इंटरपोलेट करते समय ही लिया जाता है।
स्केल इंडक्टिव बायस पर भारी पड़ता है (Scale Trumps Inductive Bias): मजबूत इंडक्टिव बायस के बिना, ViT छोटे से मध्यम डेटासेट (जैसे बिना भारी नियमितीकरण वाला मानक ImageNet) पर ResNets की तुलना में कमतर प्रदर्शन करता है। हालाँकि, जब बड़े डेटासेट (ImageNet-21k जिसमें 14M छवियां हैं या JFT-300M जिसमें 303M छवियां हैं) पर प्री-ट्रेन किया जाता है, तो ViT काफी कम प्रशिक्षण FLOPs का उपभोग करते हुए CNN के प्रदर्शन की बराबरी करता है या उससे आगे निकल जाता है।

विधि

पैच एम्बेडिंग और इनपुट निर्माण (Patch Embedding and Input Construction): पैच आकार $(P, P)$ दिए जाने पर, एक छवि $N = H W / P^{2}$ पैच उत्पन्न करती है। प्रत्येक चपटे पैच $x_{p}^{i} \in R^{P^{2} \cdot C}$ को मैट्रिक्स $E \in R^{(P^{2} \cdot C) \times D}$ द्वारा आयाम $D$ में रैखिक रूप से प्रोजेक्ट किया जाता है। एक सीखने योग्य वर्गीकरण टोकन $x_{class}$ को शुरुआत में जोड़ा जाता है, और 1D सीखने योग्य पोज़िशन एम्बेडिंग $E_{p os} \in R^{(N + 1) \times D}$ को जोड़ा जाता है: $z_{0} = [x_{class}; x_{p}^{1} E; x_{p}^{2} E; \dots; x_{p}^{N} E] + E_{p os}$
Transformer एन्कोडर परतें (Transformer Encoder Layers): यह अनुक्रम $L$ समान ब्लॉकों से गुजरता है जो मल्टीहेड सेल्फ-अटेंशन (MSA) और MLP ब्लॉकों को बारी-बारी से लागू करते हैं, जिसमें प्री-लेयरनॉर्म (LN) और रेसिड्यूअल कनेक्शन का उपयोग किया जाता है: $z_{ℓ}^{'} = MSA (LN (z_{ℓ - 1})) + z_{ℓ - 1}, ℓ = 1 \dots L$ $z_{ℓ} = MLP (LN (z_{ℓ}^{'})) + z_{ℓ}^{'}, ℓ = 1 \dots L$
रिप्रजेंटेशन और हेड (Representation and Head): रिप्रजेंटेशन पहले आउटपुट टोकन से प्राप्त किया जाता है: $y = LN (z_{L}^{0})$ एक छोटा MLP (एक हिडन लेयर के साथ) प्री-ट्रेनिंग के दौरान वर्गीकरण हेड के रूप में कार्य करता है, जिसे फाइन-ट्यूनिंग के समय एकल रैखिक प्रोजेक्शन ( $D \times K$ ) द्वारा बदल दिया जाता है।
उच्च रिज़ॉल्यूशन फाइन-ट्यूनिंग (Higher Resolution Fine-Tuning): उच्च छवि रिज़ॉल्यूशन (जैसे, $384 \times 384$ या $512 \times 512$ ) पर फाइन-ट्यूनिंग करते समय, पैच का आकार $P$ स्थिर रहता है, जिससे अनुक्रम की लंबाई $N$ बढ़ जाती है। प्री-ट्रेन्ड 1D पोज़िशन एम्बेडिंग को उनके मूल स्थानिक ग्रिड स्थानों के अनुसार 2D बाइक्यूबिक इंटरपोलेशन के माध्यम से समायोजित किया जाता है।

परिणाम

SOTA से तुलना:
- JFT-300M पर प्री-ट्रेन्ड ViT-H/14 ने ImageNet पर 88.55%, ImageNet ReaL पर 90.72%, CIFAR-100 पर 94.55%, और VTAB 19-टास्क सूट पर 77.63% हासिल किया, जिसमें 2.5k TPUv3-कोर-दिन लगे।
- JFT-300M पर प्री-ट्रेन्ड ViT-L/16 ने केवल 0.68k TPUv3-कोर-दिनों के साथ ImageNet पर 87.76% हासिल किया, जिसने BiT-L (ResNet152x4, 87.54%, 9.9k TPUv3-कोर-दिन) को पीछे छोड़ दिया और Noisy Student EfficientNet-L2 (88.4/88.5%, 12.3k TPUv3-कोर-दिन) के करीब पहुंच गया।
- सार्वजनिक डेटासेट प्री-ट्रेनिंग: ImageNet-21k पर प्री-ट्रेन्ड ViT-L/16 ImageNet पर 85.30% तक पहुंच गया।
कंप्यूट बनाम प्रदर्शन ट्रेड-ऑफ (Compute vs. Performance Trade-off): JFT-300M पर स्केलिंग प्रयोगों में, शुद्ध ViT ने पारेतो फ्रंटियर पर ResNets पर दबदबा बनाया, जिसमें समान सटीकता प्राप्त करने के लिए $2 \times$ से $4 \times$ कम कंप्यूट की आवश्यकता पड़ी।
आंतरिक निरूपण (Internal Representations): निचली परतों में ऐसे अटेंशन हेड्स होते हैं जो पूरी छवि पर ध्यान देते हैं, साथ ही ऐसे हेड्स भी होते हैं जिनकी अटेंशन दूरी छोटी और स्थानीय होती है। गहराई बढ़ने के साथ अटेंशन दूरी आमतौर पर एकसमान रूप से बढ़ती है।

सीमाएं और खुले प्रश्न

डेटा की अत्यधिक मांग (Data Hunger): बड़े प्री-ट्रेनिंग डेटा (ImageNet-21k या JFT-300M) या भारी नियमितीकरण के बिना ViT छोटे डेटासेट पर खराब सामान्यीकरण (generalization) करता है।
सेल्फ-सुपरवाइज्ड गैप (Self-Supervised Gap): मास्क्ड पैच प्रेडिक्शन के साथ शुरुआती प्रयोग ImageNet (ViT-B/16) पर 79.9% तक पहुंचे, जो सुपरवाइज्ड प्री-ट्रेनिंग की तुलना में 4% का अंतर छोड़ते हैं।
डेंस प्रेडिक्शन में अनुप्रयोग (Application to Dense Prediction): प्रारंभिक कार्य विशेष रूप से वर्गीकरण पर केंद्रित है; ऑब्जेक्ट डिटेक्शन और सेमेंटिक सेगमेंटेशन जैसे घने स्थानिक कार्यों के लिए शुद्ध पैच ट्रांसफॉर्मर को अपनाना एक सतत शोध चुनौती बनी हुई है।

मुख्य शब्द

Vision Transformer (ViT): बिना किसी कन्वेन्शनल फीचर निष्कर्षण के विज़न कार्यों के लिए गैर-अतिव्यापी (non-overlapping) छवि पैचों के अनुक्रम पर सीधे लागू किया जाने वाला एक शुद्ध Transformer आर्किटेक्चर।
Patch Embeddings: चपटे $P \times P$ पिक्सेल पैचों को मॉडल के लेटेंट स्पेस में रैखिक रूप से प्रोजेक्ट करके प्राप्त $D$ -आयामी निरूपण।
Classification Token ([class]): पैच अनुक्रम के शुरू में जोड़ा जाने वाला एक सीखने योग्य टोकन, अंतिम Transformer परत के बाद जिसकी आउटपुट स्थिति समग्र छवि प्रतिनिधित्व के रूप में कार्य करती है।
Inductive Bias: आर्किटेक्चर में पहले से निर्मित अंतर्निहित मान्यताएं; CNNs में इनमें स्थानिक स्थानीयता और ट्रांसलेशन इक्विवेरियंस शामिल हैं, जो ViT में काफी हद तक अनुपस्थित हैं।
Position Embeddings: अनुक्रम के भीतर स्थानिक क्रम की जानकारी बनाए रखने के लिए पैच एम्बेडिंग में जोड़े गए 1D सीखने योग्य वैक्टर।
Attention Distance: छवि में वह औसत स्थानिक दूरी जिस पर एक अटेंशन हेड जानकारी को एकीकृत करता है, जो वैचारिक रूप से CNNs में रिसेप्टिव फील्ड आकार के अनुरूप है।
Hybrid Architecture: एक मॉडल जिसमें पैच एम्बेडिंग प्रोजेक्शन को रॉ पिक्सेल के बजाय शुरुआती कन्वेन्शनल बैकबोन से निकाले गए फीचर मैप्स पर लागू किया जाता है।
Visual Task Adaptation Benchmark (VTAB): नेचुरल, स्पेशलाइज्ड और स्ट्रक्चर्ड समूहों में वर्गीकृत 19 विविध विज़न कार्यों का एक बेंचमार्क सूट, जिसका मूल्यांकन प्रति कार्य 1,000 उदाहरणों का उपयोग करके किया जाता है।

प्रश्न

ImageNet-1k जैसे छोटे डेटासेट पर ViT का प्रदर्शन ResNet से खराब क्यों है?

Transformers में स्थानीयता और ट्रांसलेशन इक्विवेरियंस जैसे कन्वेन्शनल इंडक्टिव बायस की कमी होती है। छोटे डेटासेट पर, ViT ओवरफिट होने लगता है क्योंकि इसे स्थानिक संबंधों को शून्य से सीखना पड़ता है; ResNet के हार्डकोडेड इंडक्टिव बायस इसे सीमित डेटा पर अधिक सैंपल-कुशल बनाते हैं।

फाइन-ट्यूनिंग के समय ViT विभिन्न या उच्च रिज़ॉल्यूशन वाली छवियों को कैसे संभालता है?

ViT पैच आकार को स्थिर रखता है, जिससे कुल अनुक्रम लंबाई बढ़ जाती है। प्री-ट्रेन्ड 1D पोज़िशन एम्बेडिंग को मूल 2D ग्रिड पर वापस मैप किया जाता है और नए ग्रिड आकार से मेल खाने के लिए 2D बाइक्यूबिक इंटरपोलेशन का उपयोग करके इंटरपोलेट किया जाता है।

क्या मानक 1D एम्बेडिंग की तुलना में 2D-सचेत (2D-aware) पोज़िशन एम्बेडिंग ViT के प्रदर्शन में सुधार करती हैं?

नहीं। शोधकर्ताओं ने पाया कि 2D कोऑर्डिनेट एम्बेडिंग या रिलेटिव पोज़िशन एम्बेडिंग ने मानक सीखने योग्य 1D पोज़िशन एम्बेडिंग के लगभग समान प्रदर्शन दिया, क्योंकि मॉडल अपने आप 2D पंक्ति/स्तंभ टोपोलॉजी को आसानी से सीख लेता है।

ViT और हाइब्रिड (Hybrid) आर्किटेक्चर में क्या अंतर है?

शुद्ध ViT रॉ इनपुट छवि को सीधे $P \times P$ पिक्सेल पैच में काटता है और एक लीनियर प्रोजेक्शन लागू करता है। हाइब्रिड मॉडल पहले छवि को एक प्रारंभिक ResNet बैकबोन के माध्यम से चलाता है और परिणामी मध्यवर्ती फीचर मैप से पैच टोकन निकालता है।

इस पृष्ठ की व्याख्या AI ने शोध पत्र से लिखी है और इसमें गलतियाँ हो सकती हैं। विवरण के लिए मूल शोध पत्र पढ़ें।

अनुवाद और AI के साथ पढ़ें