Meta新研究挑战CV领域基操：ViT根本不用patch，用像素做token效果更佳（meta ar眼镜 关闭灯光）

AIGC动态欢迎阅读

原标题：Meta新研究挑战CV领域基操：ViT根本不用patch，用像素做token效果更佳

关键字：模型,局部性,报告,图像,偏差

文章来源：新智元

内容字数：0字

内容摘要：

新智元报道编辑：乔杨

【新智元导读】下一代视觉模型会摒弃patch吗？Meta AI最近发表的一篇论文就质疑了视觉模型中局部关系的必要性。他们提出了PiT架构，让Transformer直接学习单个像素而不是16×16的patch，结果在多个下游任务中取得了全面超越ViT模型的性能。正如token是文本处理的基本单位，patch也被默认是计算机视觉领域处理图像的基本单位。

从CNN诞生，到结合Transformer架构的ViT，虽然模型架构发生了很大的变化，但有一点始终一致——

研究人员们都会把原始图像先进行切割，模型输入以patch作为基本单位。这种预处理方法非常有效，因此有广泛的影响力，几乎主导了整个CV领域。甚至于，Sora等视频生成模型也沿用了这种方法。

Sora技术报告，训练时将视觉数据切割为patch

然而，Meta AI和阿姆斯特丹大学最近联合发表了一篇文章，对这个CV领域的「基操」提出了有理有据的质疑：图像切成patch，真的有必要吗？

https://arxiv.org/abs/2406.09415

首先我们可以做一个思维实验，将图片切成patch，究竟会对模型的哪方

原文链接：Meta新研究挑战CV领域基操：ViT根本不用patch，用像素做token效果更佳

联系作者

文章来源：新智元

作者微信：AI_era

作者简介：智能+中国主平台，致力于推动中国从互联网+迈向智能+新纪元。重点关注人工智能、机器人等前沿领域发展，关注人机融合、人工智能和机器人革命对人类社会与文明进化的影响，领航中国新智能时代。