Centroid-centered Modeling for Efficient Vision Transformer Pre-training

要約

マスク イメージ モデリング (MIM) は、ビジョン トランスフォーマー (ViT) を使用した新しい自己教師ありビジョン事前トレーニング パラダイムです。
以前の作品は、ピクセル ベースまたはトークン ベースで、それぞれオリジナルのピクセルまたはパラメトリック トークナイザー モデルからの個別のビジュアル トークンを使用することができます。
私たちが提案する重心ベースのアプローチである CCViT は、K-means クラスタリングを利用して、トークナイザー モデルの教師ありトレーニングを行わずに画像モデリングの重心を取得します。作成には数秒しかかかりません。
このノンパラメトリック セントロイド トークナイザーは作成に数秒しかかからず、トークン推論が高速になります。
重心は、局所不変性の特性を持つパッチ ピクセルとインデックス トークンの両方を表すことができます。
具体的には、パッチ マスキングとセントロイド置換戦略を採用して破損した入力を構築し、2 つのスタックされたエンコーダ ブロックを使用して破損したパッチ トークンを予測し、元のパッチ ピクセルを再構築します。
実験の結果、当社の CCViT は、ViT-B を使用した ImageNet-1K 分類で 84.4%、ViT-L を使用した場合は 86.0% のトップ 1 精度を達成したことが示されています。
また、事前トレーニングされたモデルを他の下流タスクに転送します。
私たちのアプローチは、外部の監督や他のモデルからの蒸留トレーニングなしで、最近のベースラインで競争力のある結果を達成します。

要約(オリジナル)

Masked Image Modeling (MIM) is a new self-supervised vision pre-training paradigm using a Vision Transformer (ViT). Previous works can be pixel-based or token-based, using original pixels or discrete visual tokens from parametric tokenizer models, respectively. Our proposed centroid-based approach, CCViT, leverages k-means clustering to obtain centroids for image modeling without supervised training of the tokenizer model, which only takes seconds to create. This non-parametric centroid tokenizer only takes seconds to create and is faster for token inference. The centroids can represent both patch pixels and index tokens with the property of local invariance. Specifically, we adopt patch masking and centroid replacing strategies to construct corrupted inputs, and two stacked encoder blocks to predict corrupted patch tokens and reconstruct original patch pixels. Experiments show that our CCViT achieves 84.4% top-1 accuracy on ImageNet-1K classification with ViT-B and 86.0% with ViT-L. We also transfer our pre-trained model to other downstream tasks. Our approach achieves competitive results with recent baselines without external supervision and distillation training from other models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google