谷歌大脑最新操作玩“复古”:不用卷积注意力,图像分类接近SOTA

时间:2026-11-14 来源:风轻云淡网

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转谷歌载请联系出处。

谷歌大脑的视觉Transformer团队(ViT)大脑,搞了个复古操作。

他们不用卷积神经网络(CNN)、也不用Tra最新nsformer,仅凭最早的AI视觉任务采用的多层感知机(MLP)结构,操作就实现了接近SOTA的性能,更是在ImageNet图像分类任务上取得了玩“87.94%的准确率。

这个架构名为MLP-Mixer,采用两种不同类型复古的MLP层,可以看做是一个特殊的CNN,使用 1×1卷积进行通道混合(按位”:操作),同时全感受野和参数共享的的单通道深度卷积进行字符混合(不用跨位操作)。

在JFT-300M数据集上预训练、微调到224分辨率的Mi卷积xer-H/14版本取得了86.32%的准确率,比SOTA模型ViT-H注意/14仅低0.3%,但运行速度是其2.2倍。

论文地址:
https力,://arxiv.org/abs/2105.01601

项目地址:
h图像ttps://github.com/google-research分类/vision_transformer/tree/linen

&nbs接近p;