Ijepa Vitg16 22k

🚀 I-JEPAモデル (Giant, IN22Kで微調整済み)

I-JEPAは自己教師付き学習の手法です。大まかに言うと、I-JEPAは画像の一部の表現を同じ画像の他の部分の表現から予測します。

1. 特定の下流タスクに偏りが生じやすい手作りのデータ変換に対する事前指定の不変性に依存せず、
2. モデルが画素レベルの詳細を埋めることもなく、これは意味的にあまり意味のある表現を学習することにつながりやすいです。

🚀 クイックスタート

仕組み

画素デコーダを持つ生成モデルとは対照的に、I-JEPAは潜在空間で予測を行う予測器を持っています。 I-JEPAの予測器は、部分的に観測可能なコンテキストから静的画像の空間的不確実性をモデル化できる原始的（かつ制限された）ワールドモデルと見なすことができます。 このワールドモデルは、画像内の見えない領域に関する高レベルの情報を予測するという意味でセマンティックであり、画素レベルの詳細ではありません。

I-JEPAが予測した表現を画素空間にスケッチとしてマッピングする確率的デコーダを学習させました。 モデルは位置の不確実性を正しく捉え、正しいポーズで高レベルのオブジェクト部分（例：犬の頭、狼の前脚）を生成します。

想定される用途と制限

I-JEPAは画像分類または特徴抽出に使用できます。このチェックポイントは具体的には特徴抽出を目的としています。

使用方法

このモデルを画像特徴抽出に使用する方法は次の通りです。

import requests
from PIL import Image
from torch.nn.functional import cosine_similarity

from transformers import AutoModel, AutoProcessor

url_1 = "http://images.cocodataset.org/val2017/000000039769.jpg"
url_2 = "http://images.cocodataset.org/val2017/000000219578.jpg"
image_1 = Image.open(requests.get(url_1, stream=True).raw)
image_2 = Image.open(requests.get(url_2, stream=True).raw)

model_id = "jmtzt/ijepa_vitg16_22k"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id)


def infer(image):
    inputs = processor(image, return_tensors="pt")
    outputs = model(**inputs)
    return outputs.last_hidden_state.mean(dim=1)


embed_1 = infer(image_1)
embed_2 = infer(image_2)

similarity = cosine_similarity(embed_1, embed_2)
print(similarity)

BibTeXエントリと引用情報

あなたの研究でI-JEPAまたはこのコードを使用する場合は、以下を引用してください。

@article{assran2023self,
  title={Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture},
  author={Assran, Mahmoud and Duval, Quentin and Misra, Ishan and Bojanowski, Piotr and Vincent, Pascal and Rabbat, Michael and LeCun, Yann and Ballas, Nicolas},
  journal={arXiv preprint arXiv:2301.08243},
  year={2023}
}

📄 ライセンス

このプロジェクトはcc-by-nc-4.0ライセンスの下で提供されています。

📦 データセットとライブラリ