Ijepa Vith14 22k

🚀 I-JEPAモデル (Huge, IN22Kでファインチューニング済み)

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は同じ画像の一部の表現から他の部分の表現を予測します。

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、それにより意味的にあまり重要でない表現を学習することが少なくなります。

🚀 クイックスタート

モデルの概要

I-JEPAは、画素デコーダを持つ生成モデルとは異なり、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基本的（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す。

モデルの学習

確率的デコーダを学習させ、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します。モデルは位置的な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（例えば、犬の頭、狼の前脚）を生成します。

✨ 主な機能

想定される用途

I-JEPAは画像分類や特徴抽出に使用できます。このチェックポイントは特に特徴抽出を目的としています。

💻 使用例

基本的な使用法

以下は、このモデルを画像特徴抽出に使用する方法です。

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_vith14_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)

📚 ドキュメント

BibTeXエントリと引用情報

I-JEPAまたはこのコードをあなたの研究で使用する場合は、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

このモデルはcc-by-nc-4.0ライセンスの下で提供されています。