FocalNet（小型且具有大感受野的模型）

FocalNet模型在ImageNet-1k数据集上以384x384的分辨率进行了训练。该模型首次在杨等人的论文 Focal Modulation Networks 中提出，并于 this repository 首次发布。

免责声明：发布FocalNet模型的团队并未为该模型撰写模型卡片，因此此模型卡片由Hugging Face团队撰写。

模型描述

Focal模块化网络是Vision Transformers的一种替代方法，其中自我注意力（SA）完全被焦点调节机制所取代，用于模拟视觉中的令牌交互。焦点调节包括三个组成部分：（i）分层语境建模，使用一系列深度卷积层来编码从短范围到长范围的视觉语境，（ii）门控聚合，根据查询令牌的内容选择性地收集语境，以及（iii）逐元素调节或仿射变换，将聚合的语境注入查询中。大量实验表明，在图像分类、目标检测和分割等任务上，FocalNet相较于最先进的SA对应模型（如Vision Transformers、Swin和Focal Transformers）在相似的计算成本下表现更好。

预期用途及限制

您可以使用原始模型进行图像分类。可参阅 model hub 以查找您感兴趣的任务上的精调版本。

如何使用

以下是使用此模型对COCO 2017数据集中的图像进行分类为1,000个ImageNet类别之一的方法：

from transformers import FocalNetImageProcessor, FocalNetForImageClassification
import torch
from datasets import load_dataset

dataset = load_dataset("huggingface/cats-image")
image = dataset["test"]["image"][0]

preprocessor = FocalNetImageProcessor.from_pretrained("microsoft/focalnet-base")
model = FocalNetForImageClassification.from_pretrained("microsoft/focalnet-base")

inputs = preprocessor(image, return_tensors="pt")

with torch.no_grad():
    logits = model(**inputs).logits

# model predicts one of the 1000 ImageNet classes
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label]),

如需更多代码示例，请参阅 documentation 。

BibTeX条目和引用信息

@article{DBLP:journals/corr/abs-2203-11926,
  author       = {Jianwei Yang and
                  Chunyuan Li and
                  Jianfeng Gao},
  title        = {Focal Modulation Networks},
  journal      = {CoRR},
  volume       = {abs/2203.11926},
  year         = {2022},
  url          = {https://doi.org/10.48550/arXiv.2203.11926},
  doi          = {10.48550/arXiv.2203.11926},
  eprinttype    = {arXiv},
  eprint       = {2203.11926},
  timestamp    = {Tue, 29 Mar 2022 18:07:24 +0200},
  biburl       = {https://dblp.org/rec/journals/corr/abs-2203-11926.bib},
  bibsource    = {dblp computer science bibliography, https://dblp.org}
}