原作者带队，LSTM卷土重来之Vision-LSTM出世

文章摘要

【关 键 词】 ViL网络、计算机视觉、长短期记忆、xLSTM、性能突破

近期，由 LSTM之父Sepp Hochreiter领衔的研究团队推出了一种新的计算机视觉骨干网络——Vision-LSTM（ViL）。该网络基于扩展长短期记忆（xLSTM）模型，实现了在视觉领域的突破。

ViL网络的核心是交替的mLSTM块，这些块可以完全并行化，处理图像补丁token序列的效率极高。在ImageNet-1K的实验中，ViL模型在参数数量相当的前提下，表现优于使用序列建模骨干的模型。尤其是在高分辨率图像的任务中，如医学成像、分割或物理模拟，ViL因线性复杂度而具有显著优势。

研究指出，ViL不仅在小型模型上展现出良好的结果，而且在大型模型上也与经过多次优化周期的ViT表现相当。此外，通过特定的微调设置和分类设计，ViL的性能可以进一步提升。

在模型设计方面，研究者尝试了多种mLSTM块的遍历方式，最终选定了交替双向块作为核心设计。此外，针对ViL的自回归特性，研究团队也探索了不同的分类设计，提出了稳健且具有通用性的分类头输入方法。

值得注意的是，这项工作是首次将xLSTM应用于计算机视觉，尽管在所有情况下并未超过ViT多年的超参数调整，但ViL的初步表现已经显示出其巨大的潜力。研究团队也指出，进一步改进预训练方案，探索更优的超参数设置，或从Transformer中迁移技术，都是ViL未来的研究方向。

原文和模型

【原文链接】 阅读原文 [ 3112字 | 13分钟 ]
【原文作者】 机器之心
【摘要模型】 glm-4
【摘要评分】 ★★★★★

智谱AI

智谱AI是由清华大学计算机系技术成果转化而来的公司，致力于打造新一代认知智能通用模型。公司合作研发了双语千亿级超大规模预训练模型GLM-130B，并构建了高精度通用知识图谱，形成数据与知识双轮驱动的认知引擎，基于此模型打造了ChatGLM（chatglm.cn）。此外，智谱AI还推出了认知大模型平台Bigmodel.ai，包括CodeGeeX和CogView等产品，提供智能API服务，链接物理世界的亿级用户、赋能元宇宙数字人、成为具身机器人的基座，赋予机器像人一样“思考”的能力。