精度确实很高,但是
虽然包装得很好,但是 Unfold + Matrix Multiplication + Fold 就是等价于普通的Conv操作啊。因为这个地方每个空间位置的weight是不同的,所以就变成了Dynamic Conv。
用DynamicConv也没什么,最近的一些Conv+Transformer的Hybrid网络证明了这种混合更容易取得很好的accuracy。但是非要claim attention-based models are indeed able to outperform CNNs. 这个claim也许是真的,但不是这个工作所证明的。
2. 从Table.3 看出,每个scale的网络都有特定的drop path rate 和 Crop ratio. 只能说卡多任性吧。。。 能 用上A100的壕
3. 另外从2.知道,又不差卡,为什么不在ImageNet-21K 也做一下实验呢?既然都要宣传SOTA了,更容易对比的SOTA不香吗? 一定要在没有用额外数据 这种前提条件下。回头能不能也设置个setting, 没有用A100/V100,只用了1080Ti的情况下达到了sota?[doge]
有这么多资源不把实验做扎实就出来占坑,让大多数没那么多资源的咋办呀?[囧] 要不写个abstract 画个图先把坑占了?[doge]
Update:
今天arxiv更新的FAIR(3巨头之二)+UC Berkeley(Tete Xiao, Trevor Darrell)的文章Early Convolutions Help Transformers See Better https://arxiv.org/pdf/2106.14881.pdf ,感觉很舒服,特别是和VOLO的overclaim对比。
首先,FAIR的这个工作分析,实验,描述都非常清晰,有什么就说什么,没有什么不会过分claim。印象比较深刻的是有句”Moreover, under carefully controlled comparisons, we find that ViTs are only able to surpass state-of-the-art CNNs when equipped with a convolutional stem“
Conv+Transformer又不寒碜,VOLO强行把DynamicConv弄成Unfold + Matrix Multiplication + Fold,再claim attention-based models are indeed able to outperform CNNs.[囧]
不知道LeCun会不会看到,以及看到有没有兴趣怼一下[doge]