FantasticGNU/UniVAD项目中的Vision Transformer模型解析
2025-07-08 09:50:59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
kernelopenEuler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。C051
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0127
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
Python开发者的macOS终极指南:VSCode安装配置全攻略 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 谷歌浏览器跨域插件Allow-Control-Allow-Origin:前端开发调试必备神器 中兴e读zedx.zed文档阅读器V4.11轻量版:专业通信设备文档阅读解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 LabVIEW串口通信开发全攻略:从入门到精通的完整解决方案 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 小米Mini R1C MT7620爱快固件下载指南:解锁企业级网络管理功能
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
446
3.35 K
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++
825
398
Ascend Extension for PyTorch
Python
250
285
暂无简介
Dart
702
166
React Native鸿蒙化仓库
JavaScript
278
329
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
10
1
🎉 (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
1.24 K
680
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
148
51
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19