数据集:

• timm/imagenet-22k-wds 库名称: transformers 许可证: cc-by-nc-4.0

I-JEPA模型（巨型版，基于IN22K微调）

I-JEPA 是一种自监督学习方法。其核心在于通过图像某部分的表征来预测同一图像其他部分的表征：

1. 无需依赖预设的、针对特定下游任务可能存在偏差的手工数据变换不变性；
2. 也不要求模型填充像素级细节，从而避免学习到语义信息较少的表征。

工作原理

与配备像素解码器的生成方法不同，I-JEPA采用潜在空间预测器。该预测器可视为一个基础（且受限）的世界模型，能够从部分可观测上下文中建模静态图像的空间不确定性。这个世界模型的语义性体现在：它预测的是图像不可见区域的高级信息，而非像素级细节。

我们训练了一个随机解码器，将I-JEPA预测的表征以草图形式映射回像素空间。该模型能准确捕捉位置不确定性，并以正确姿态生成高级物体部件（如狗头、狼前腿）。

用途与限制

I-JEPA可用于图像分类或特征提取。本特定检查点专为特征提取设计。

使用方法

以下是如何使用该模型进行图像特征提取：

import requests
from PIL import Image
from torch.nn.functional import cosine_similarity

from transformers import AutoModel, AutoProcessor

url_1 = "http://images.cocodataset.org/val2017/000000039769.jpg"
url_2 = "http://images.cocodataset.org/val2017/000000219578.jpg"
image_1 = Image.open(requests.get(url_1, stream=True).raw)
image_2 = Image.open(requests.get(url_2, stream=True).raw)

model_id = "jmtzt/ijepa_vitg16_22k"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id)


def infer(image):
    inputs = processor(image, return_tensors="pt")
    outputs = model(**inputs)
    return outputs.last_hidden_state.mean(dim=1)


embed_1 = infer(image_1)
embed_2 = infer(image_2)

similarity = cosine_similarity(embed_1, embed_2)
print(similarity)

BibTeX引用信息

若使用I-JEPA或本代码，请引用：

@article{assran2023self,
  title={Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture},
  author={Assran, Mahmoud and Duval, Quentin and Misra, Ishan and Bojanowski, Piotr and Vincent, Pascal and Rabbat, Michael and LeCun, Yann and Ballas, Nicolas},
  journal={arXiv preprint arXiv:2301.08243},
  year={2023}
}