Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.01519

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.01519 (cs)
[提交于 2025年6月2日 ]

标题: 基于注意力感知的标记过滤加速视觉变换器模型

标题: Speed-up of Vision Transformer Models by Attention-aware Token Filtering

Authors:Takahiro Naruko, Hiroaki Akutsu
摘要: 视觉Transformer(ViT)模型在图像嵌入提取方面取得了突破,为零样本图像分类等任务提供了最先进的性能。然而,这些模型计算负担沉重。本文提出了一种新的ViT模型加速方法,称为注意力感知标记过滤(ATF)。ATF由两个主要思想组成:一种新的标记过滤模块和一种过滤策略。标记过滤模块被引入到ViT模型的分词器和变换器编码器之间,而无需修改或微调变换器编码器。该模块过滤输入编码器的标记,使其能够动态保留特定对象类型区域中的标记,并保留静态接收高注意力的区域中的标记。这种过滤策略在过滤输入到变换器编码器的标记的同时保持了任务准确性。检索任务上的评估结果显示,ATF为ViT模型SigLIP提供了$2.8\times$倍速度提升,同时保持了检索召回率。
摘要: Vision Transformer (ViT) models have made breakthroughs in image embedding extraction, which provide state-of-the-art performance in tasks such as zero-shot image classification. However, the models suffer from a high computational burden. In this paper, we propose a novel speed-up method for ViT models called Attention-aware Token Filtering (ATF). ATF consists of two main ideas: a novel token filtering module and a filtering strategy. The token filtering module is introduced between a tokenizer and a transformer encoder of the ViT model, without modifying or fine-tuning of the transformer encoder. The module filters out tokens inputted to the encoder so that it keeps tokens in regions of specific object types dynamically and keeps tokens in regions that statically receive high attention in the transformer encoder. This filtering strategy maintains task accuracy while filtering out tokens inputted to the transformer encoder. Evaluation results on retrieval tasks show that ATF provides $2.8\times$ speed-up to a ViT model, SigLIP, while maintaining the retrieval recall rate.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2506.01519 [cs.CV]
  (或者 arXiv:2506.01519v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.01519
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Takahiro Naruko [查看电子邮件]
[v1] 星期一, 2025 年 6 月 2 日 10:34:55 UTC (271 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号