背景：
transformer用到视觉问题上的难处：
transfomer的计算复杂度， O ( n 2 ) O(n^2) O(n2)，而像素点的序列长度太长->用特征图当作输入/控制窗口的大小来控制输入序列的长度/2d矩阵的自注意力换成两个1d的自注意力（具体如何实现，参考Stand-alone axial-attention for panoptic segmentation）
但这些都是先用cnn 有不用cnn的方法吗？

-----------------------论文部分--------------------------

摘要：1. 单纯使用transformer进行图片分类也能获得很好的效果 2. 当在大规模数据集上与训练后，再迁移到中小型数据集上，能获得当下最好结果 3. 在取得最好结果的同时，对资源的需求也大幅减少
问题：1. 原本的cnn框架有没有使用预训练？如果没有，如何证明获得最好结果是transformer的功劳？ 2. 这三个数据集，都算是中小型数据集吗？

引言：1. 1B＝10亿 1M＝100万 transformer在nlp领域占据统治地位，然而在视觉领域，仍然以cnn为主流。已经有一些工作，对两者的结合做了尝试（以下论文也证明了某种发展趋势：卷积利用局部性提高了效率缺牺牲了对远距上下文的关注->self-attention帮助完成远距上下文->如何在视觉任务中降低self-attention中 O ( n 2 ) O(n^2) O(n2)的时间复杂度成为新的探索方向）：
【Non-local Neural Networks】：用非局部均值建立了图片中远像素之间的关系
【End-to-End Object Detection with Transformers】：先cnn，再transformer
【Stand-Alone Self-Attention in Vision Models】：用self-attention完全代替cnn（获得了更少的参数量和相当甚至更高的结果）
【Stand-alone axial-attention for panoptic segmentation】：使用轴注意力替代复杂度高的self-attention（如何将2D注意力分解成两个1D注意力）
2. 为了直接在视觉领域应用transformer，将一张图切分为多个patch然后送入transformer，以有监督的形式训练transforemer
3. 当在中小型数据集上训练时，结果可能不如resnet，作者认为这是由于transformer缺乏cnn特有的归纳偏置，如空间局部性（得到的特征只与其局部的输入有关）、平移等价性（输入的特征平移到任何位置，卷积核都能找到此位置并被激活）
4. 如果在大型数据集上预训练再到其他任务上微调，则获得了最优结果

相关工作：sparse注意力 轴注意力 image GPT
跟这个论文最像的是ICLR2020的一篇论文【On the relationship between selfattention and convolutional layers】，区别在于这篇文章，只能处理小图片（因为patch设置的太小）

方法：1. 尽可能按照原本的transformer模型来做
2. 在首位加入cls token，用于之后作为整个图像的特征（或者使用所有token特征的平均池化，作者在实验中表明，两者结果相似）
3. 维度推演：输入图片224224 patch1616 -> 输入X196*768（其中196为224/16=14 2 ^2 2, 768=16*16*3）-> 线性映射层E 768*768->tranformer输入 197(196+1)*768 -> transformer输出 197*768
后面补充了一些分析：归纳偏置（少了很多图像特有的归纳偏置）
cnn+transformer（不是相关工作中提到的吗？）
高分辨率图片时的微调（位置编码就没用了，那么可以使用位置插值）唯一的归纳偏置？（没听懂）

实验：主要是图三和图四两个图
可视化：第一层学到了什么。与vit的全连接层相比；位置编码的可视化（不太明白）；不同注意力层，能注意到的信息

结论：如果在足够多的数据上进行预训练，就可以用transformer替代cnn（训练时间一定很长）

展望：1. 扩展到多模态任务 2. 自监督训练（对比学习的方法）3. cnn transformer和mlp将鹿死谁手 犹未可知

参考：b站视频——ViT论文逐段精读【论文精读】