DiT

概述

DiT 在 DiT: Self-supervised Pre-training for Document Image Transformer (作者: Junlong Li, Yiheng Xu, Tengchao Lv, Lei Cui, Cha Zhang, Furu Wei) 中被提出。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中实现了最先进的结果：

• 文档图像分类：RVL-CDIP 数据集（包含 400,000 张图像，属于 16 个类别之一）。
• 文档布局分析：PubLayNet 数据集（包含超过 360,000 张文档图像，通过自动解析 PubMed XML 文件构建）。
• 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）。

以下是论文的摘要：

图像 Transformer 最近在自然图像理解方面取得了重大进展，无论是使用监督式（ViT、DeiT 等）还是自监督式（BEiT、MAE 等）预训练技术。在本文中，我们提出了 DiT，一种自监督预训练文档图像 Transformer 模型，它使用大规模未标记的文本图像用于文档 AI 任务，这至关重要，因为由于缺乏人工标记的文档图像，因此不存在任何监督式模型。我们将 DiT 用作各种基于视觉的文档 AI 任务的骨干网络，包括文档图像分类、文档布局分析以及表格检测。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)、文档布局分析 (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。

使用技巧

可以直接使用 AutoModel API 加载 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，该头部用于预测视觉标记。

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

from transformers import BeitForMaskedImageModeling

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

您还可以从 hub 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，RVL-CDIP 是文档图像分类的重要基准。 有关说明文档图像分类推理的 notebook，请访问此处。

资源

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

• BeitForImageClassification 由此示例脚本和notebook支持。

如果您有兴趣提交资源并将其收录在此处，请随时打开 Pull Request，我们将对其进行审核！该资源最好展示一些新的内容，而不是重复现有资源。