计算机视觉｜ViT详解：打破视觉与语言界限

发布于：2025-03-07 ⋅ 阅读:(16) ⋅ 点赞:(0)

一、ViT 的诞生背景

在计算机视觉领域的发展中，卷积神经网络（CNN）一直占据重要地位。自 2012 年 AlexNet 在 ImageNet 大赛中取得优异成绩后，CNN 在图像分类任务中显示出强大能力。随后，VGG、ResNet 等深度网络架构不断出现，推动了图像分类、目标检测、语义分割等任务的性能提升，促进了计算机视觉技术的快速发展。

然而，CNN 也逐渐显露出一些局限性。一方面，CNN 依赖局部感知，通过卷积核捕获局部区域的特征。尽管多层卷积可以提取高维语义信息，但在处理长距离依赖关系（如图像的全局信息）时，由于卷积核感受野有限，CNN 的能力受限，可能需要增加层数或设计复杂架构来弥补，这增加了模型复杂度和训练难度。另一方面，随着网络深度增加，CNN 的参数数量和计算量显著增长，对硬件资源的需求也随之提高，增加了部署成本，并限制了其在资源受限设备上的应用。

为了解决这些问题，研究者开始探索其他架构，其中 Transformer 架构受到广泛关注。Transformer 最初在自然语言处理（NLP）领域提出，凭借自注意力机制在捕捉序列中任意位置依赖关系方面的优势，成为 NLP 主流模型。受此启发，研究者尝试将其应用于视觉领域，Vision Transformer（ViT）因此诞生，为视觉任务提供了新的方法，标志着视觉模型发展的重要转变。

二、ViT 的核心原理

（一）Transformer 架构回顾

Transformer 架构于 2017 年在论文《Attention Is All You Need》中提出，最初用于解决自然语言处理中的机器翻译任务。在此之前，循环神经网络（RNN）及其变体（如 LSTM、GRU）是处理序列数据的主要模型，但这些模型存在梯度消失或爆炸问题，难以捕捉长距离依赖，且计算效率较低，难以并行化。

在这里插入图片描述

Transformer 的核心是自注意力机制，通过计算输入序列中每个位置与其他位置的关联程度，动态分配注意力权重，聚焦于关键信息。

例如，在处理句子“苹果从树上掉下来，小明捡起了它”时，自注意力机制能让模型在处理“它”时关注“苹果”，准确理解其指代对象。相比 RNN 按顺序处理序列，自注意力机制允许模型直接参考整个序列，大幅提升捕捉长距离依赖的能力。

多头注意力机制是自注意力机制的扩展，通过并行多个注意力头，每头学习不同的表示并拼接结果，增强模型从不同角度捕捉信息的能力。例如，在分析复杂句子时，不同注意力头可分别关注语法结构、语义关系等。

此外，Transformer 引入位置编码来弥补自注意力对顺序不敏感的缺陷，通过为每个位置添加唯一编码向量，将位置信息融入输入；前馈网络则对注意力输出进行非线性变换，提升特征学习能力。

（二）ViT 架构设计

前面我们在 计算机视觉 ｜解锁视频理解三剑客——ViViT 中简单介绍了 VIT 架构，本文我们将详细介绍它的架构设计。
在这里插入图片描述

1. 图像分块

ViT 首先将输入图像划分为固定大小的 patch。例如，输入图像为 224 × 224 224\times224 224×224，通常划分为 16 × 16 16\times16 16×16 的 patch，生成 14 × 14 = 196 14\times14 = 196 14×14=196 个 patch。每个 patch 展平为一维向量，形成序列，作为 Transformer 的输入。这种分块将图像转化为序列形式，使 Transformer 能以处理序列的方式处理图像，突破 CNN 局部卷积的限制，直接捕捉不同区域间的长距离依赖。

2. 线性嵌入

展平后的 patch 通过线性投影嵌入到低维空间。使用可学习的线性变换矩阵（全连接层），将每个 patch 向量映射为固定维度的嵌入向量。例如，若 patch 展平后维度为 16 × 16 × 3 16\times16\times3 16×16×3（RGB 三通道），目标嵌入维度为 d d d（如 d = 768 d = 768 d=768），则通过 ( 16 × 16 × 3 ) × d (16\times16\times3)\times d (16×16×3)×d 的权重矩阵变换，得到维度为 d d d 的嵌入向量。嵌入维度影响表达能力和计算复杂度，需在性能和资源间权衡。

3. 位置编码

由于自注意力机制对输入顺序不敏感，而图像的空间位置信息重要，ViT 引入位置编码。默认使用可学习的 1D 位置编码，将二维 patch 按固定顺序展平为一维序列，为每个位置分配编码向量并与嵌入向量相加，使模型感知 patch 的相对位置。可选的正弦/余弦固定位置编码也常用于提供丰富位置信息。

4. Transformer 编码器

Transformer 编码器是 ViT 的核心，由多个 Transformer 块组成。每个块包含多头自注意力和前馈网络两个子层。

多头自注意力层通过计算不同头的注意力权重，捕捉图像中不同尺度和语义的依赖关系。输入嵌入向量序列通过线性变换生成查询、键、值矩阵，计算点积并经缩放和 Softmax 归一化后，得到注意力权重，再与值矩阵加权求和。例如，12 个头可分别关注物体轮廓、纹理等，最后拼接输出。

前馈网络对注意力输出进行非线性变换，包含两个线性层和激活函数（如 GELU），增强特征学习能力。残差连接和层归一化用于加速训练和稳定优化。

5. 分类头

分类头位于 ViT 末端，用于图像分类。在编码器输出序列中添加分类标记，与其他 patch 嵌入向量一起计算，仅作为分类标识。编码器处理完成后，提取分类标记的输出向量，通过全连接层映射到分类结果。例如，在 1000 类任务中，输出 1000 维向量，经 Softmax 转换为概率分布。

三、ViT 的训练与优化

（一）预训练与微调

ViT 通常在大规模数据集上预训练以学习通用图像特征。例如，在 JFT-300M 数据集（1400 万张图像）上预训练，通过最小化交叉熵损失更新参数，使用 AdamW 优化器（学习率约 1e-4，权重衰减 0.05），模型逐渐收敛。

预训练后，ViT 可在下游任务中微调。例如，在 CIFAR-10 上微调时，替换分类头为 10 类输出，使用较小学习率（如 1e-5）训练，适应新任务并提升准确率。

（二）数据增强

数据增强是提升 ViT 性能的重要方法。常见技术包括旋转、翻转、裁剪、缩放、颜色抖动等，增强模型对角度、方向、局部特征、光照变化的鲁棒性。

新兴方法如 TransMix 基于注意力图混合标签，改进传统 Mixup，根据像素重要性权重生成新样本。在 ImageNet 上，TransMix 可提升 ViT 的 top-1 准确率约 0.9%，增强泛化能力。

（三）优化器与超参数调整

AdamW 是 ViT 常用的优化器，加入权重衰减防过拟合，参数 β1=0.9、β2=0.999、eps=1e-8 确保优化稳定。

超参数如分块大小、嵌入维度、层数、注意力头数、学习率、Dropout 概率需调整。分块大小影响全局与细节捕捉，嵌入维度和层数影响表达能力，注意力头数影响细节关注，学习率需通过调度（如余弦退火）优化，Dropout（0.1-0.3）防过拟合。可用网格搜索等方法优化超参数。

四、ViT 的性能分析

（一）与 CNN 的对比

在大数据集上，ViT 凭借全局建模能力优于 CNN。例如，在 JFT-300M 预训练后，ViT 在 ImageNet 上准确率超过传统 CNN，特别在复杂全局结构图像中表现更佳。

在小数据集上，CNN 因归纳偏置（如平移不变性）更具优势，ViT 易过拟合。例如，在 CIFAR-10 上，ResNet 通常优于未充分预训练的 ViT。

ViT 自注意力机制计算复杂度高，与序列长度平方成正比，高分辨率图像处理时资源需求大，而 CNN 卷积操作更高效。CNN 的卷积核可解释性也优于 ViT 的注意力权重。

（二）不同数据集上的表现

在大规模数据集（如 JFT-300M）上，ViT 性能卓越，充分利用数据学习复杂特征。在小数据集（如 MNIST、CIFAR-10）上，ViT 表现不如 CNN，易过拟合。数据规模增加时，ViT 准确率可提升 5%-10%，泛化能力增强。

五、ViT 的变体与改进

（一）DeiT

DeiT 通过知识蒸馏提升性能，引入蒸馏标记与分类标记共同优化，模仿教师模型（如 RegNet）预测。在 ImageNet 上，DeiT 准确率提升 3%-6%。

DeiT 采用 RandomErase、Mixup、Cutmix 等数据增强技术，结合优化参数初始化和学习率调度，提高训练效率和泛化能力。

（二）Swin Transformer

Swin Transformer 采用分层结构，通过多阶段下采样提取多尺度特征，适用于目标检测、语义分割等任务。

其滑动窗口注意力机制在窗口内计算自注意力，降低复杂度（ O ( M 2 ⋅ H W ) O(M² \cdot \frac{H}{W}) O(M2⋅WH​) vs. O ( H W 2 ) O(HW²) O(HW2)），移位窗口增强全局信息交互，适合高分辨率图像处理。

六、ViT 的应用场景

（一）图像分类

ViT 在图像分类中表现优异。例如，ViT-B/16 在 ImageNet 上达到 77.9% 的 top-1 准确率。在医疗影像（如肺炎分类，准确率超 90%）和工业检测（如缺陷识别，准确率约 95%）中应用广泛。

（二）目标检测

ViT 可作为骨干网络用于目标检测。例如，DETR 在 MS COCO 上 AP 达 42.0%。但计算复杂度高和对小目标检测效果较弱是其挑战。

（三）语义分割

ViT 的全局建模能力适合语义分割。例如，SegFormer 在 ADE20K 上 mIoU 达 45.1%。但高分辨率图像处理资源需求大，细节捕捉能力稍逊于 CNN。

七、总结与展望

Vision Transformer（ViT）是计算机视觉的重要创新，通过 Transformer 架构捕捉图像全局依赖，在图像分类、目标检测、语义分割中展现潜力。

其核心是将图像分块并嵌入，结合位置编码输入 Transformer 编码器，通过自注意力建模全局关系。预训练与微调、数据增强、优化器调整提升了性能。

ViT 在大规模数据集上表现优异，但小数据集易过拟合，计算复杂度高，可解释性待提升。DeiT 和 Swin Transformer 等变体优化了效率和性能。

未来可从效率优化、训练策略、可解释性、新领域应用（如多模态融合）等方面进一步发展 ViT，推动视觉技术进步。（CNN）一直占据重要地位。自 2012 年 AlexNet 在 ImageNet 大赛中取得优异成绩后，CNN 在图像分类任务中显示出强大能力。随后，VGG、ResNet 等深度网络架构不断出现，推动了图像分类、目标检测、语义分割等任务的性能提升，促进了计算机视觉技术的快速发展。

延伸阅读

网站公告

今日签到

点亮在社区的每一天
去签到

热门文章

最新发布