FocalNet（迷你型模型）

FocalNet模型是在ImageNet-1k数据集上训练的，分辨率为224x224。它是由杨等人在 Focal Modulation Networks 论文中提出，并于 this repository 首次发布。

声明：发布FocalNet的团队没有为该模型编写模型卡片，因此本模型卡片由Hugging Face团队撰写。

模型描述

Focal Modulation Networks是Vision Transformers的一种替代方案，其中自注意力（SA）完全被聚焦调制机制替代，用于模拟图像中的令牌交互。聚焦调制包括三个组成部分：（i）分层上下文建模，使用一系列深度卷积层实现，从短到长范围编码视觉上下文，（ii）门控聚合，根据令牌内容有选择性地收集每个查询令牌的上下文，并且（iii）元素调制或仿射变换，将聚合的上下文注入查询。大量实验证明，FocalNet在图像分类、目标检测和分割等任务上的性能优于最先进的SA对应方法（例如，Vision Transformers、Swin和Focal Transformers），而计算成本相似。

预期用途和限制

您可以使用原始模型进行图像分类。查看 model hub 以查找您感兴趣的任务的微调版本。

如何使用

使用此模型将COCO 2017数据集中的图像分类为1,000个ImageNet类别的步骤如下：

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-tiny")
model = FocalNetForImageClassification.from_pretrained("microsoft/focalnet-tiny")

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]),

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}
}