2025最全指南：正确引用Vision Transformer项目的6个关键步骤

在学术写作和技术文档中，正确引用开源项目不仅是对原作者知识产权的尊重，更是确保研究可复现性的关键环节。Vision Transformer（ViT）作为计算机视觉领域的革命性模型，其官方实现gh_mirrors/vi/vision_transformer包含多个重要研究成果，错误的引用方式可能导致学术不规范或技术误导。本文将系统梳理该项目的引用规范，帮助研究者和开发者准确引用相关论文、模型和代码。

项目核心成果概览

Vision Transformer项目包含6篇关键研究论文，覆盖从基础架构到高级应用的完整技术体系。项目结构清晰，核心代码位于vit_jax/目录，模型架构定义在vit_jax/models_vit.py和vit_jax/models_mixer.py，配置文件集中在vit_jax/configs/目录。

图1：Vision Transformer模型架构（来源：vit_figure.png）

主要研究成果包括：

• ViT基础架构：将Transformer应用于图像识别的开创性工作
• MLP-Mixer：纯MLP架构在视觉任务的突破
• AugReg技术：数据增强与正则化的最佳实践
• LiT模型：零样本迁移学习的锁定图像文本调优方法

论文引用规范

基础ViT架构引用

当使用原始Vision Transformer架构（如ViT-B/16、ViT-L/32等模型）时，必须引用2020年发表的奠基性论文：

@article{dosovitskiy2020image,
  title={An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale},
  author={Dosovitskiy, Alexey and Beyer, Lucas and Kolesnikov, Alexander and Weissenborn, Dirk and Zhai, Xiaohua and Unterthiner, Thomas and Dehghani, Mostafa and Minderer, Matthias and Heigold, Georg and Gelly, Sylvain and others},
  journal={ICLR},
  year={2021}
}

该论文提出的将图像分割为16×16 patches的处理方式，以及分类令牌（classification token）机制，构成了现代视觉Transformer的基础。相关实现见vit_jax/models_vit.py第42-189行的VisionTransformer类。

MLP-Mixer架构引用

对于使用MLP-Mixer模型（如Mixer-B/16）的场景，需引用2021年提出的纯MLP视觉架构论文：

@article{tolstikhin2021mlp,
  title={MLP-Mixer: An all-MLP Architecture for Vision},
  author={Tolstikhin, Ilya and Houlsby, Neil and Kolesnikov, Alexander and Beyer, Lucas and Zhai, Xiaohua and Unterthiner, Thomas and Yung, Jessica and Steiner, Andreas and Keysers, Daniel and Uszkoreit, Jakob and others},
  journal={NeurIPS},
  year={2021}
}

MLP-Mixer通过令牌混合（token-mixing）和通道混合（channel-mixing）层实现视觉识别，其架构定义在vit_jax/models_mixer.py第36-152行。模型训练配置可参考cifar10示例。

图2：MLP-Mixer模型架构（来源：mixer_figure.png）

高级训练技术引用

当使用数据增强、正则化或迁移学习相关技术时，需根据具体方法引用对应的论文：

1. AugReg技术（vit_jax/configs/augreg.py）：

@article{kolesnikov2021train,
  title={How to train your ViT? Data, Augmentation, and Regularization in Vision Transformers},
  author={Kolesnikov, Alexander and Beyer, Lucas and Zhai, Xiaohua and Puigcerver, Joan and Yung, Jessica and Houlsby, Neil},
  journal={ICML},
  year={2021}
}

2. 零样本迁移学习（LiT模型，model_cards/lit.md）：

@article{zhai2022lit,
  title={LiT: Zero-Shot Transfer with Locked-image text Tuning},
  author={Zhai, Xiaohua and Wang, Xiao and Mustafa, Basil and Steiner, Andreas and Keysers, Daniel and Kolesnikov, Alexander and Beyer, Lucas},
  journal={CVPR},
  year={2022}
}

模型权重引用规范

项目提供的预训练模型权重需按存储位置和训练配置正确引用。所有模型文件名对应vit_jax/configs/models.py中的model_name参数，推荐优先使用AugReg训练的模型 checkpoint，其性能指标见README.md中的详细表格。

例如引用L/16模型时，应明确指定预训练数据集和训练参数：

gs://vit_models/augreg/L_16-i21k-300ep-lr_0.001-aug_strong1-wd_0.1-do_0.0-sd_0.0.npz

关键模型参数对照表：

模型	预训练数据集	参数量	ImageNet准确率
L/16	ImageNet-21k	1243 MiB	85.59%
B/16	ImageNet-21k	391 MiB	85.49%
R50+L/32	ImageNet-21k	1337 MiB	85.99%

代码实现引用方法

当直接使用或修改项目代码时，需在文档中明确标注代码路径和版本信息。推荐引用格式：

Vision Transformer (Version 1.0), Google Research. https://gitcode.com/gh_mirrors/vi/vision_transformer, [访问日期]

关键代码文件引用示例：

• 数据预处理：vit_jax/preprocess.py
• 训练循环：vit_jax/train.py
• 推理代码：vit_jax/inference_time.py

常见引用错误案例分析

错误案例1：遗漏核心论文

错误引用：仅引用ViT基础论文，未引用使用的AugReg训练方法
正确做法：同时引用Dosovitskiy et al. (2020)和Kolesnikov et al. (2021)，并在方法部分说明使用了AugReg中的数据增强策略

错误案例2：模型版本模糊

错误引用："使用了Vision Transformer B/16模型"
正确做法："使用了ViT-B/16模型（预训练于ImageNet-21k，配置：b16,cifar10，参见vit_jax/configs/vit.py）"

错误案例3：代码引用不规范

错误引用："基于Google的ViT代码实现"
正确做法："基于vit_jax/main.py的微调代码，修改了学习率调度策略（第156-178行）"

项目致谢与贡献说明

根据CONTRIBUTING.md，任何基于该项目的二次开发或研究成果，应在致谢部分提及核心开发者：Alexey Dosovitskiy、Lucas Beyer、Alexander Kolesnikov等。对于商业用途，需联系项目团队获取授权。

引用检查清单

为确保引用完整准确，建议使用以下检查清单：

• [ ] 已明确区分引用的是论文、模型还是代码
• [ ] 论文引用包含全部作者、年份和会议信息
• [ ] 模型引用包含完整checkpoint路径和配置参数
• [ ] 代码引用包含具体文件路径和版本信息
• [ ] 致谢部分包含所有相关贡献者

通过遵循上述规范，不仅能确保学术写作的严谨性，还能帮助读者准确复现实验结果，推动计算机视觉领域的开放协作与知识共享。项目完整文档可参考README.md，最新模型和代码更新请关注官方仓库。