摘要
Transformer 在计算机视觉领域引起了越来越多的关注，但其性能仍落后于当前最先进的卷积神经网络。本文指出，尽管 Transformer 通常具备更大的模型容量，但由于缺乏合适的归纳偏置（inductive bias），其泛化能力可能反而不如卷积网络。为有效融合两类架构的优势，我们提出了 CoAtNets（发音为“coat nets”），这是一类基于两个关键洞察的混合模型：（1）通过简单的相对注意力机制，深度可分离卷积（depthwise convolution）与自注意力机制可自然统一；（2）以合理的方式垂直堆叠卷积层与注意力层，出人意料地显著提升了模型的泛化能力、容量与效率。实验结果表明，在多种数据集和不同资源约束条件下，CoAtNets 均取得了当前最优的性能表现：在不依赖额外数据的情况下，CoAtNet 在 ImageNet 上实现了 86.0% 的 top-1 准确率；当使用来自 ImageNet-21K 的 1300 万张图像进行预训练时，CoAtNet 达到 88.56% 的 top-1 准确率，与使用 JFT-300M 数据集（3 亿张图像）预训练的 ViT-Huge 模型性能相当，但所用数据量仅为后者的 1/23；尤为突出的是，当进一步在 JFT-3B 数据集上扩展 CoAtNet 时，其在 ImageNet 上的 top-1 准确率提升至 90.88%，创造了新的 SOTA（state-of-the-art）纪录。