近日，谷歌大脑团队公布了Vision Transformer（ViT）进阶版ViT-G/14，参数高达20亿的CV模型，经过30亿张图片的训练，刷新了ImageNet上最高准确率记录——90.45%，此前的ViT取得的最高准确率记录是 88.36%，不仅如此，ViT-G/14还超过之前谷歌提出的Meta Pseduo Labels模型。
Vision Transformer模型的缩放规律
在多项基准测试中，ImageNet, ImageNet-v2和VTAB-1k，ViT-G/14的表现都刷新了记录。
例如，在几张照片的识别挑战中，准确率提高了五个百分点以上。研究人员随后训练了多个更微型的模型版本，以寻找架构的缩放规律（scaling law），结果观察到性能遵循幂律函数（power-law function），类似于用于NLP的Transformer模型。
2017年由谷歌首次引入的 Transformer 架构迅速成为最受欢迎的NLP深度学习模型设计，其中 OpenAI的GPT-3是最著名的。OpenAI 去年发布的一项研究描述了这些模型的缩放规则（Scaling rules）。
OpenAI 通过训练几个不同规模的可比模型，改变训练数据的数量和处理能力，开发了一个用于评估模型准确性的幂律函数。此外，OpenAI 发现更大的模型不仅性能更好，而且计算效率也更高。
与 NLP 模型不同，大多数SOTA的 CV 深度学习模型，采用的是卷积神经网络架构(CNN)。2012年， 一个CNN模型赢得了ImageNet竞赛，CNN因此声名鹊起。
随着Transformer最近在 NLP 领域的成功，研究人员已经开始关注它在视觉问题上的表现; 例如，OpenAI 已经构建了一个基于 GPT-3的图像生成系统。
谷歌在这个领域一直非常活跃，在2020年年底使用他们专有的 JFT-300M 数据集训练了一个600m 参数的 ViT 模型。
△ 去年10月，谷歌大脑团队发布了Vision Transformer（ViT）
而新的ViT-G/14模型使用 JFT-3B 预先训练，JFT-3B是升级版数据集，包含大约30亿张图片。
研究团队改进了 ViT 架构，增加了内存使用，使模型能够适应单个 TPUv3核心。研究人员在预先训练的模型上使用少量和微调的迁移学习来评估 ViT-G/14和其他较小模型的性能。这些发现被用来创建缩放规则，类似于 NLP 规则:
根据幂律函数，缩放更多的计算、模型和数据可以提高准确性；
在较小的模型中，准确性可能是一个障碍；
大型数据集有助于大型模型。
目前，ViT-G/14得分在 ImageNet 排行榜上排名第一。下面的八个得分最高的模型同样是由谷歌的研究人员创建的，而第十个模型来自Facebook。
作者团队
本次论文团队成员是此前发布ViT模型的4名成员，其中，第一作者是Xiaohua Zhai (翟晓华)。
https://sites.google.com/site/xzhai89/home
翟晓华目前是谷歌大脑研究员。研究领域为深度学习和计算机视觉。兴趣范围包括表征学习、迁移学习、自监督学习、生成模型、跨模态感知。
根据他的个人网站提供的信息，2009年，翟晓华本科毕业于南京大学，2014年取得北京大学计算机科学博士学位。
另外，论文作者Alexander Kolesnikov，同为谷歌大脑研究员，研究领域包括人工智能、机器学习、深度学习和计算机视觉。
毕业于奥地利Institute of Science and Technology Austria (IST Austria)，博士论文为Weakly-Supervised Segmentation and Unsupervised Modeling of Natural Images（自然图像的弱监督分割和无监督建模）。
另一名作者Neil Houlsby，研究领域为机器学习、人工智能、计算机视觉和自然语言处理。
第四名作者Lucas Beyer，是一名自学成才的黑客、研究科学家，致力于帮助机器人了解世界、帮助人类了解深度学习。
