Problem : 기존의 positional embedding은 학습된 길이보다 더 긴 길이가 나왔을 때 성능 저하를 일으키며, translation-invariant하지 않음. relative PE는 계산상 복잡하며 이미지 분류 문제에서는 absolute position 정보가 없어 성능이 저하됨.
Solution : 인풋 토큰의 인접한 토큰들을 input으로 하는 position embedding을 학습하여 input에 따라 position embedding이 바뀌도록 함. 구체적으로는 ViT 인코더를 거친 토큰을 N x W x H x C로 원복한 뒤 이를 zero padded CNN을 거쳐 position embedding으로 사용함.
Result : ViT, DeiT보다 좋은 성능. 기존의 트랜스포머 구조에 seamless하게 적용 가능. [CLS] 토큰을 없애고 GAP를 사용하여 분류 문제에서 SOTA
details :paper summary
Problem : 기존의 positional embedding은 학습된 길이보다 더 긴 길이가 나왔을 때 성능 저하를 일으키며, translation-invariant하지 않음. relative PE는 계산상 복잡하며 이미지 분류 문제에서는 absolute position 정보가 없어 성능이 저하됨. Solution : 인풋 토큰의 인접한 토큰들을 input으로 하는 position embedding을 학습하여 input에 따라 position embedding이 바뀌도록 함. 구체적으로는 ViT 인코더를 거친 토큰을 N x W x H x C로 원복한 뒤 이를 zero padded CNN을 거쳐 position embedding으로 사용함. Result : ViT, DeiT보다 좋은 성능. 기존의 트랜스포머 구조에 seamless하게 적용 가능.
[CLS]
토큰을 없애고 GAP를 사용하여 분류 문제에서 SOTA details :paper summary