FantasticGNU/UniVAD项目中的Vision Transformer模型解析
2025-07-08 21:23:12作者:胡唯隽
概述
本文将深入解析FantasticGNU/UniVAD项目中使用的Vision Transformer(ViT)模型实现。ViT是一种将自然语言处理中成功的Transformer架构应用于计算机视觉任务的创新方法,它完全摒弃了传统CNN结构,直接处理图像块(patch)序列。
核心组件解析
1. DropPath机制
DropPath是一种正则化技术,也称为Stochastic Depth(随机深度)。它在训练过程中随机"丢弃"整个网络层,迫使网络学习更鲁棒的特征表示。
class DropPath(nn.Module):
"""Drop paths (Stochastic Depth) per sample (when applied in main path of residual blocks).
"""
def __init__(self, drop_prob=None):
super(DropPath, self).__init__()
self.drop_prob = drop_prob
def forward(self, x):
return drop_path(x, self.drop_prob, self.training)
2. 多层感知机(MLP)模块
MLP模块是Transformer中的标准组件,包含两个全连接层和GELU激活函数:
class Mlp(nn.Module):
def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0.):
super().__init__()
out_features = out_features or in_features
hidden_features = hidden_features or in_features
self.fc1 = nn.Linear(in_features, hidden_features)
self.act = act_layer()
self.fc2 = nn.Linear(hidden_features, out_features)
self.drop = nn.Dropout(drop)
3. 自注意力机制(Attention)
自注意力机制是Transformer的核心,它允许模型关注输入序列的不同部分:
class Attention(nn.Module):
def __init__(self, dim, num_heads=8, qkv_bias=False, qk_scale=None, attn_drop=0., proj_drop=0.):
super().__init__()
self.num_heads = num_heads
head_dim = dim // num_heads
self.scale = qk_scale or head_dim ** -0.5
self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
...
4. Transformer块(Block)
每个Transformer块包含自注意力层和前馈网络(MLP),并应用了残差连接和层归一化:
class Block(nn.Module):
def __init__(self, dim, num_heads, mlp_ratio=4., qkv_bias=False, qk_scale=None, drop=0., attn_drop=0.,
drop_path=0., act_layer=nn.GELU, norm_layer=nn.LayerNorm):
super().__init__()
self.norm1 = norm_layer(dim)
self.attn = Attention(dim, ...)
self.drop_path = DropPath(drop_path)
self.norm2 = norm_layer(dim)
self.mlp = Mlp(...)
图像到序列的转换
Vision Transformer需要将2D图像转换为1D序列,这是通过PatchEmbed模块实现的:
class PatchEmbed(nn.Module):
""" Image to Patch Embedding """
def __init__(self, img_size=224, patch_size=16, in_chans=3, embed_dim=768):
super().__init__()
num_patches = (img_size // patch_size) * (img_size // patch_size)
self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)
完整的Vision Transformer架构
VisionTransformer类整合了所有组件,构建完整的模型:
class VisionTransformer(nn.Module):
def __init__(self, img_size=[224], patch_size=16, in_chans=3, num_classes=0, embed_dim=768, depth=12,
num_heads=12, mlp_ratio=4., qkv_bias=False, qk_scale=None, drop_rate=0., attn_drop_rate=0.,
drop_path_rate=0., norm_layer=nn.LayerNorm, **kwargs):
super().__init__()
self.patch_embed = PatchEmbed(...)
self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim))
self.pos_embed = nn.Parameter(...)
self.blocks = nn.ModuleList([Block(...) for _ in range(depth)])
self.norm = norm_layer(embed_dim)
模型变体
项目提供了三种不同规模的ViT模型变体:
- ViT-Tiny: 小型模型,适用于资源受限环境
- ViT-Small: 中等规模模型,平衡性能和计算成本
- ViT-Base: 基础规模模型,提供更好的性能
def vit_tiny(patch_size=16, **kwargs):
return VisionTransformer(patch_size=patch_size, embed_dim=192, depth=12, num_heads=3, ...)
def vit_small(patch_size=16, **kwargs):
return VisionTransformer(patch_size=patch_size, embed_dim=384, depth=12, num_heads=6, ...)
def vit_base(patch_size=16, **kwargs):
return VisionTransformer(patch_size=patch_size, embed_dim=768, depth=12, num_heads=12, ...)
DINO头部结构
DINOHead是一个特殊的投影头,用于自监督学习任务:
class DINOHead(nn.Module):
def __init__(self, in_dim, out_dim, use_bn=False, norm_last_layer=True, nlayers=3, hidden_dim=2048, bottleneck_dim=256):
super().__init__()
# 构建多层MLP
self.last_layer = nn.utils.weight_norm(nn.Linear(bottleneck_dim, out_dim, bias=False))
技术亮点
- 位置编码插值: 允许模型处理不同分辨率的输入图像
- 随机深度衰减: 随着网络深度增加,DropPath的概率线性增加
- 层归一化: 在每个残差块前后应用层归一化
- 多头注意力: 并行计算多个注意力头,捕获不同特征
应用场景
在FantasticGNU/UniVAD项目中,这个Vision Transformer实现可能用于:
- 视频异常检测的特征提取
- 时空信息的建模
- 跨模态学习
- 自监督预训练
总结
本文详细解析了FantasticGNU/UniVAD项目中使用的Vision Transformer实现。通过模块化设计,该实现提供了灵活的配置选项,可以适应不同规模和需求的视觉任务。特别值得注意的是其对自监督学习的支持,通过DINOHead等组件实现了高效的特征学习。
登录后查看全文
热门项目推荐
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
522
3.71 K
Ascend Extension for PyTorch
Python
327
384
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
875
576
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
334
161
暂无简介
Dart
762
184
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.32 K
744
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
React Native鸿蒙化仓库
JavaScript
302
349
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
112
134