研究人员开发了一种新颖的循环视觉 Transformer (reViT),它利用单个 Transformer 块进行递归应用,从而达到与全深度视觉编码器相当的精度。这种方法将每个递归深度的前馈网络 (FFN) 表示为共享专家的组合,这些专家由归一化的深度坐标进行编程。reViT 模型在 ImageNet-1k 上的监督训练和从 DINOv2 教师蒸馏方面均表现出色,其性能优于其他混合专家 (MoE) 系列,并以显著更少的参数实现了 DeiT III 的精度。 AI
影响 这项研究通过减少参数数量同时保持高精度,可能带来更高效的视觉模型。
排序理由 该集群描述了一篇介绍新型模型架构的最新研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →