LITv2: 快速视觉Transformer与HiLo注意力机制

RayRay
LITv2HiLo注意力视觉Transformer图像分类目标检测Github开源项目

LITv2: 快速视觉Transformer的新突破

在计算机视觉领域,Transformer模型凭借其强大的特征提取和建模能力,正在逐步取代传统的卷积神经网络。然而,标准Transformer模型计算复杂度高、推理速度慢的问题一直是其广泛应用的瓶颈。为了解决这一问题,来自澳大利亚莫纳什大学的研究团队提出了LITv2(Less is More Transformer v2)模型,通过创新的HiLo注意力机制,在保持高精度的同时大幅提升了模型的推理速度。

HiLo注意力机制: LITv2的核心创新

LITv2的核心创新在于其提出的HiLo(High-Low)注意力机制。这一机制的设计灵感来自于图像中高频和低频信息的不同特性:

  • 高频信息捕捉局部细节
  • 低频信息关注全局结构

传统的多头自注意力机制忽略了不同频率特征的这一特性。因此,HiLo注意力将注意力头分为两组:

  1. 高频组: 在每个局部窗口内进行自注意力计算,编码高频局部细节。
  2. 低频组: 对每个窗口的平均池化低频键进行注意力计算,建模全局关系。

通过这种设计,LITv2能够更有效地处理不同尺度的图像信息,在提高精度的同时降低计算复杂度。

HiLo注意力机制示意图

LITv2的模型架构

LITv2采用了类似ViT(Vision Transformer)的整体架构,但在每个Transformer块中使用HiLo注意力代替了标准的多头自注意力。具体来说,LITv2的架构包括:

  1. Patch Embedding: 将输入图像划分为固定大小的patch并进行线性投影
  2. 多个Transformer块:
    • HiLo注意力层
    • 前馈神经网络(FFN)层
    • Layer Normalization
  3. 分类头: 用于最终的预测输出

这种设计使得LITv2能够在保持Transformer强大建模能力的同时,显著提高计算效率。

在多项视觉任务上的卓越表现

研究团队在多个主流视觉任务上评估了LITv2的性能,包括图像分类、目标检测和语义分割。结果表明,LITv2在各种模型规模下都能实现优于现有最先进方法的性能,同时具有更快的推理速度。

图像分类

在ImageNet-1K数据集上,LITv2展现了出色的分类性能:

模型参数量(M)FLOPs(G)吞吐量(imgs/s)Top-1准确率(%)
LITv2-S283.71,47182.0
LITv2-M497.581283.3
LITv2-B8713.260283.6

值得注意的是,LITv2-S模型在仅有28M参数的情况下,就达到了82.0%的Top-1准确率,展现了极高的参数效率。

目标检测

研究团队还在COCO 2017数据集上评估了LITv2在目标检测任务上的性能。以RetinaNet为检测器,LITv2作为骨干网络,在1x训练调度(12个epoch)下取得了如下结果:

骨干网络窗口大小参数量(M)FLOPs(G)FPSbox AP
LITv2-S23824218.744.0
LITv2-M25934812.246.0
LITv2-B2974819.546.7

这些结果表明,LITv2不仅在分类任务上表现出色,在目标检测这样的下游任务中同样能够取得competitive的性能。

语义分割

在ADE20K数据集上的语义分割任务中,LITv2同样展现了强大的性能:

骨干网络参数量(M)FLOPs(G)FPSmIoU
LITv2-S314142.644.3
LITv2-M526328.545.7
LITv2-B909327.547.2

这进一步证明了LITv2作为通用视觉骨干网络的潜力,能够在多种视觉任务中提供出色的特征表示。

与其他模型的性能对比

为了更全面地评估LITv2的性能,研究团队将其与多个主流的视觉Transformer和CNN模型进行了对比。在相似的参数量和计算复杂度下,LITv2-S模型展现出了最佳的性能-效率权衡:

模型参数量(M)FLOPs(G)RTX 3090吞吐量(imgs/s)Top-1准确率(%)
ResNet-50264.11,27980.4
Swin-Ti284.596181.3
ConvNext-Ti284.51,07982.1
LITv2-S283.71,47182.0

可以看到,LITv2-S在参数量和计算量都较低的情况下,实现了最快的推理速度和competitive的分类准确率。这充分证明了HiLo注意力机制在提升模型效率方面的有效性。

LITv2的实际应用与部署

得益于其出色的性能和效率,LITv2在多个实际应用场景中展现了巨大潜力:

  1. 移动设备上的视觉应用: LITv2-S模型小巧高效,非常适合部署在计算资源有限的移动设备上。

  2. 大规模视频分析: 在视频监控、自动驾驶等需要实时处理大量视频流的场景中,LITv2的高效率可以显著提升系统的整体性能。

  3. 医学图像分析: LITv2在语义分割任务上的出色表现,使其成为医学图像分割(如器官分割、肿瘤检测)的理想选择。

  4. 工业视觉检测: 在工业生产线上的实时缺陷检测等应用中,LITv2可以提供快速准确的视觉分析能力。

为了便于研究者和开发者使用LITv2,项目团队提供了完整的PyTorch实现和预训练模型。此外,他们还支持将LITv2模型转换为ONNX和TensorRT格式,以实现更高效的推理部署。

未来研究方向

尽管LITv2已经在多个方面展现出了优秀的性能,但研究团队认为仍有进一步改进的空间:

  1. 探索更优的α值: α参数控制着高频和低频注意力头的比例,进一步研究最佳的α值可能带来性能的提升。

  2. 动态窗口大小: 目前LITv2使用固定的窗口大小,未来可以探索根据输入动态调整窗口大小的方法。

  3. 跨模态应用: 将HiLo注意力机制扩展到视觉-语言等跨模态任务中,可能带来新的突破。

  4. 硬件加速优化: 针对HiLo注意力机制设计专门的硬件加速方案,进一步提升推理速度。

结论

LITv2通过创新的HiLo注意力机制,成功地在视觉Transformer的精度和效率之间取得了优秀的平衡。它不仅在多个视觉任务上达到了state-of-the-art的性能,还展现出了卓越的推理速度和资源效率。这使得LITv2成为一个非常有前景的通用视觉骨干网络,有望在学术研究和工业应用中发挥重要作用。

随着深度学习技术不断发展,像LITv2这样兼顾性能和效率的模型将会越来越受到关注。我们期待看到更多基于LITv2的创新应用,以及它在推动计算机视觉技术进步方面的贡献。

LITv2架构图

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多