GPT在自然語言處理上取得了有目共睹的成就，包括BERT，RoBERTa，T5等眾多無監(jiān)督或自監(jiān)督學(xué)習(xí)方法輪番登場拿下了一個又一個語言高地。自然語言處理高歌猛進(jìn)的同時圖像領(lǐng)域不甘心了，也在躍躍欲試想要利用類似的模型學(xué)習(xí)出可以用于分類任務(wù)的有效特征來。
Transformer家族的模型基本上可以直接處理任何形式的1D數(shù)據(jù)，于是研究人員就想到將2D圖像拉伸為長長的1D圖像序列，利用與GPT－2模型類似的技術(shù)構(gòu)建了用于處理像素序列的iGPT模型。
在詳細(xì)的實驗分析后研究人員發(fā)現(xiàn)，模型顯現(xiàn)出對于2D圖像特征的理解能力，包括有效的個體和類別的理解。模型可以在沒有人工指導(dǎo)情況下生成連續(xù)的圖像樣本，實現(xiàn)圖像補(bǔ)全，同時可以在多個分類數(shù)據(jù)集上實現(xiàn)先進(jìn)的分類性能，并在ImageNet實現(xiàn)了非常接近最優(yōu)秀無監(jiān)督方法精度水平。這證明了這類生成序列模型可以作為通用的無監(jiān)督學(xué)習(xí)算法。
在使用GPT－2類似的架構(gòu)時，雖然需要更多的計算來達(dá)到基于卷積的非監(jiān)督學(xué)習(xí)水平，然而這種方法在面對全新領(lǐng)域時，大型的GPT－2模型無需針對特定領(lǐng)域架構(gòu)進(jìn)行設(shè)計就可以學(xué)習(xí)出非常有效的特征和優(yōu)異的性能。
下面讓我先來看看iGPT應(yīng)用于圖像補(bǔ)全和樣本生成任務(wù)下的一些結(jié)果，下圖中紅色框是原始圖像，藍(lán)色框中是模型補(bǔ)全的結(jié)果?？梢钥吹侥Ｐ秃芎玫幕謴?fù)出了另一半缺失的圖像，并在不同的生成結(jié)果中添加了各種語義特征的對象。
1234下一頁>（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
