license: apache-2.0
tags:
datasets:

• imagenet

视觉感知器IO（卷积处理版）

该感知器IO模型基于ImageNet数据集（1400万张图像，1000个类别）在224x224分辨率下进行预训练。它由Jaegle等人在论文《Perceiver IO: A General Architecture for Structured Inputs & Outputs》中提出，并首次发布于此代码库。

免责声明：发布Perceiver IO的团队未为此模型编写模型卡片，本文档由Hugging Face团队撰写。

模型描述

感知器IO是一种可应用于任何模态（文本、图像、音频、视频等）的Transformer编码器模型。其核心思想是在一组规模适中的潜在向量（如256或512个）上应用自注意力机制，仅利用输入数据与潜在向量进行交叉注意力计算。这使得自注意力机制的时间和内存需求不依赖于输入数据规模。

解码时，作者采用所谓的"解码查询"机制，可灵活地将潜在向量的最终隐藏状态解码为任意尺寸和语义的输出。对于图像分类任务，输出是一个包含logits的张量，形状为(batch_size, num_labels)。

感知器IO架构示意图

由于自注意力机制的计算需求与输入尺寸无关，研究者可以直接在原始像素值上训练模型，而无需像ViT那样将图像分块处理。本模型在使用像素值与潜在向量进行交叉注意力计算前，先通过简单的二维卷积+最大池化网络对像素值进行预处理。

通过预训练，模型学习到图像的内在表示，这些特征可用于下游任务：例如若有一个带标签的图像数据集，可通过替换分类解码器来训练标准分类器。

使用场景与限制

您可直接使用该原始模型进行图像分类。访问模型中心可查找其他针对特定任务微调的版本。

使用方法

以下是PyTorch调用示例：

from transformers import PerceiverFeatureExtractor, PerceiverForImageClassificationConvProcessing
import requests
from PIL import Image

feature_extractor = PerceiverFeatureExtractor.from_pretrained("deepmind/vision-perceiver-conv")
model = PerceiverForImageClassificationConvProcessing.from_pretrained("deepmind/vision-perceiver-conv")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

# 准备输入
inputs = feature_extractor(image, return_tensors="pt").pixel_values
# 前向计算
outputs = model(inputs)
logits = outputs.logits
print("预测类别:", model.config.id2label[logits.argmax(-1).item()])
>>> 应输出：预测类别: 虎斑猫

训练数据

本模型在ImageNet上预训练，该数据集包含1400万图像和1000个类别。

训练流程

预处理

图像经中心裁剪并调整为224x224分辨率，RGB通道进行归一化。注意预训练时使用了数据增强策略，详见论文附录H。

预训练

超参数细节参见论文附录H。

评估结果

该模型在ImageNet-1k上达到82.1%的Top-1准确率。

BibTeX引用信息

@article{DBLP:journals/corr/abs-2107-14795,
  author    = {Andrew Jaegle and
               Sebastian Borgeaud and
               Jean{-}Baptiste Alayrac and
               Carl Doersch and
               Catalin Ionescu and
               David Ding and
               Skanda Koppula and
               Daniel Zoran and
               Andrew Brock and
               Evan Shelhamer and
               Olivier J. H{\'{e}}naff and
               Matthew M. Botvinick and
               Andrew Zisserman and
               Oriol Vinyals and
               Jo{\~{a}}o Carreira},
  title     = {Perceiver {IO:} {A} General Architecture for Structured Inputs {\&}
               Outputs},
  journal   = {CoRR},
  volume    = {abs/2107.14795},
  year      = {2021},
  url       = {https://arxiv.org/abs/2107.14795},
  eprinttype = {arXiv},
  eprint    = {2107.14795},
  timestamp = {Tue, 03 Aug 2021 14:53:34 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2107-14795.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}