PiT

カテゴリ: ViT · コード: timm/models/pit.py · アーキテクチャ: 8 · 事前学習済み重み: 8 (ImageNet-1kの結果付き: 8)

PoolingベースのVision Transformer（PiT）は、CNNと同様に、ステージ間でdepthwise convolution pooling層を用いてトークンの空間サイズを縮小し、チャネル数を増加させます。

論文

• ビジョン・トランスフォーマーの空間次元の再考

使用方法

事前学習済み重みの読み込み、画像の前処理、ファインチューニングについてはクイックスタートを、モデルをバックボーンとして使用する方法については特徴量抽出を参照してください。

>>> import timm
>>> model = timm.create_model('pit_s_distilled_224.in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

モデルAPIのサポート

✓ 対応、✓ (square) 正方形サイズのみ動作、✗ 非対応、– 不要（モデルはすでに任意の入力サイズを受け入れる）。各機能をランダムに初期化されたモデル（PoolingVisionTransformer、pit_ti_224、224）で実行して確認しました。同じクラスの他のアーキテクチャも同様に動作すると考えられます。詳細はModel APIページを参照してください。

アーキテクチャ

GMACsとパラメータ数は、各アーキテクチャのデフォルトの入力サイズと分類器に基づいており、ベンチマーク結果から得られたものです。

事前学習済み重み

Top-1 は、results-imagenet.csv に記載された評価サイズでの ImageNet-1k 検証精度です。- は、ImageNet-1k の結果がない重み（例: プリトレーニング用または画像-テキスト用重み）を示します。Classes は事前学習済み分類器のサイズで、分類器を持たない重みについては none です。