PROCESSING IMAGES USING SELF-ATTENTION BASED NEURAL NETWORKS

Methods, systems, and apparatus, including computer programs encoded on computer storage media, for processing images using self-attention based neural networks. One of the methods includes obtaining one or more images comprising a plurality of pixels; determining, for each image of the one or more images, a plurality of image patches of the image, wherein each image patch comprises a different subset of the pixels of the image; processing, for each image of the one or more images, the corresponding plurality of image patches to generate an input sequence comprising a respective input element at each of a plurality of input positions, wherein a plurality of the input elements correspond to respective different image patches; and processing the input sequences using a neural network to generate a network output that characterizes the one or more images, wherein the neural network comprises one or more self-attention neural network layers. La présente invention concerne des procédés, des systèmes et un appareil, y compris des programmes informatiques codés sur des supports de stockage informatique, pour traiter des images à l'aide de réseaux neuronaux à auto-attention. L'un des procédés consiste à obtenir une ou plusieurs images comprenant une pluralité de pixels ; à déterminer, pour chaque image de la ou des images, une pluralité de correctifs d'image de l'image, chaque correctif d'image comprenant un sous-ensemble différent des pixels de l'image ; à traiter, pour chaque image de la ou des images, la pluralité correspondante de correctifs d'image pour générer une séquence d'entrée comprenant un élément d'entrée respectif au niveau de chaque position d'entrée d'une pluralité de positions d'entrée, une pluralité des éléments d'entrée correspondant à différents correctifs d'image respectifs ; et à traiter les séquences d'entrée à l'aide d'un réseau de neurones pour générer une sortie de réseau qui caractérise la ou les images, le réseau de neurones comprenant une ou plusieurs couches de réseau de neurones à auto-attention.