Transformer架构在自然语言处理领域取得了显著成功，激发了研究人员将其应用于计算机视觉任务的兴趣。Vision Transformer（ViT）应运而生，成为图像分类等视觉任务中的新兴架构。本文将介绍ViT的基本架构、工作原理，并与传统的卷积神经网络进行比较。
ViT的基本架构
ViT的核心思想是将图像视为一系列的补丁（patches），类似于自然语言处理中的词嵌入（word embeddings）。具体步骤如下：
-
图像分割为补丁：将输入图像划分为固定大小的补丁，例如16x16像素。这样，一个尺寸为224x224的图像将被分割为14x14=196个补丁。
-
补丁展平与嵌入：将每个补丁展平成一维向量，并通过线性变换映射到固定维度的嵌入空间。
-
位置编码：由于Transformer缺乏处理位置信息的内在机制，需要为每个补丁添加位置编码，以保留其在原始图像中的位置信息。
-
Transformer编码器：将嵌入后的补丁序列输入标准的Transformer编码器，进行全局信息的建模和特征提取。
-
分类头：在补丁序列前添加一个可学习的分类标记（CLS），其对应的输出经过全连接层用于最终的分类预测。
ViT的工作原理
ViT利用自注意力机制、计算图像中各补丁之间的关系。自注意力机制能够捕捉全局信息，使模型在处理长距离依赖关系时表现出色。多头自注意力进一步增强了模型的表达能力，使其能够关注输入序列的不同部分，从而学习到更丰富的特征表示。
ViT与卷积神经网络的比较
与传统的卷积神经网络相比，ViT具有以下特点：
-
全局信息捕捉：CNN通过局部感受野逐层堆叠来捕捉全局信息，而ViT通过自注意力机制直接建模全局依赖关系。
-
数据需求：ViT通常需要大量数据进行预训练，以达到与CNN相当的性能。这是因为ViT缺乏CNN中的局部平移不变性等先验知识，需要通过大量数据学习。
-
计算复杂度：ViT的自注意力机制在处理高分辨率图像时计算复杂度较高，而CNN在这方面更具优势。