DiT

概述

DiT 由 Junlong Li、Yiheng Xu、Tengchao Lv、Lei Cui、Cha Zhang 和 Furu Wei 在 DiT: Self-supervised Pre-training for Document Image Transformer 中提出。DiT 将 BEiT（BERT 预训练图像 Transformer）的自监督目标应用于 4200 万张文档图像，从而在包括以下任务在内的任务中取得了最先进的结果

• 文档图像分类：RVL-CDIP 数据集（包含 400,000 张图像，属于 16 个类别中的一个）。
• 文档版式分析：PubLayNet 数据集（通过自动解析 PubMed XML 文件构建的 360,000 多张文档图像集合）。
• 表格检测：ICDAR 2019 cTDaR 数据集（包含 600 张训练图像和 240 张测试图像）。

论文摘要如下：

图像 Transformer 最近在自然图像理解方面取得了重大进展，无论是使用监督（ViT、DeiT 等）还是自监督（BEiT、MAE 等）预训练技术。在本文中，我们提出了 DiT，这是一种使用大规模未标记文本图像进行文档 AI 任务的自监督预训练文档图像 Transformer 模型，这至关重要，因为由于缺乏人工标注的文档图像，因此从未存在过任何监督对应模型。我们将 DiT 作为各种基于视觉的文档 AI 任务的主干网络，包括文档图像分类、文档版式分析以及表格检测。实验结果表明，自监督预训练的 DiT 模型在这些下游任务上取得了新的最先进的结果，例如文档图像分类（91.11 → 92.69）、文档版式分析（91.0 → 94.9）和表格检测（94.23 → 96.55）。

此模型由 nielsr 贡献。原始代码可以在这里找到 这里。

使用技巧

可以使用 AutoModel API 直接使用 DiT 的权重

from transformers import AutoModel

model = AutoModel.from_pretrained("microsoft/dit-base")

这将加载在掩码图像建模上预训练的模型。请注意，这不会包含顶部的语言建模头，该头用于预测视觉标记。

要包含头部，可以将权重加载到 BeitForMaskedImageModeling 模型中，如下所示

from transformers import BeitForMaskedImageModeling

model = BeitForMaskedImageModeling.from_pretrained("microsoft/dit-base")

也可以从 中心 加载微调模型，如下所示

from transformers import AutoModelForImageClassification

model = AutoModelForImageClassification.from_pretrained("microsoft/dit-base-finetuned-rvlcdip")

此特定检查点在 RVL-CDIP 上进行了微调，这是文档图像分类的一个重要基准。一个说明文档图像分类推理的笔记本可以在这里找到 这里。

资源

帮助您开始使用 DiT 的官方 Hugging Face 和社区（由🌎表示）资源列表。

• BeitForImageClassification 由此 示例脚本 和 笔记本 支持。

如果您有兴趣提交要包含在此处的资源，请随时打开一个拉取请求，我们将对其进行审查！理想情况下，资源应展示一些新内容，而不是复制现有资源。