无需文字标签，完全自监督的 Meta 视觉大模型来了！

小扎亲自官宣，发布即收获大量关注度 ——

在语义分割、实例分割、深度估计和图像检索等任务中，这个名叫 DINOv2 的视觉大模型均取得了非常不错的效果。

甚至有超过当前最好的开源视觉模型 OpenCLIP 之势。

虽然此前 Meta 就发布过自监督学习视觉大模型 DINO，不过这次 AI 识别图像特征的能力显然更进一步，准确分割出了视频中的主体:

换而言之，DINOv2 自己学会了找图像特征。

目前 Meta 官方不仅已经放出了开源代码，而且还给了网页版 Demo 试玩。有网友内涵:

什么叫开源，LLaMA，SAM，DINOv2 这才叫开源！

一起来看看，DINOv2 的效果究竟如何。

准确识别不同画风的同种物体

事实上，DINOv2 是基于上一代 DINOv1 打造的视觉大模型。

这个模型参数量是 10 亿级，也仍然是视觉 Transformer 架构，但与 DINO 不太一样的是，这次 DINOv2 在数据集上经过了精心挑选。

采用这类数据训练出来的视觉模型，效果如何？

这是 DINOv2 在 8 个视觉任务上的表现，包括语义分割、分类、深度估计等，其中橙色是自监督方法的效果，深粉色是弱监督方法的效果。

可以看见，经过自监督学习的视觉模型，表现上已经与经过弱监督学习的模型性能相当。

实际效果也不错，即便在一系列照片中，相同物体的画风并不相似，DINOv2 也能准确识别它们的特征，并分到相似的列表中。

如组中都具有翅膀的鸟和飞机、(b)组中的大象和大象雕塑、(c)组中的汽车和汽车玩具模型、(d)组中的马和涂鸦版马:

而且从 PCA图像效果来看，DINOv2 不仅能准确分类，还能用不同颜色标出它们“相同”的部分，例如象鼻都是绿色、车轮都是红色、马的尾巴是黄色等。

换而言之，DINOv2 能理解这些图像中的相似之处，就像人会形容飞机“看起来像一只鸟”一样。

目前 DINOv2 已经放出 Demo，我们也试了试它的实际效果。

Demo 直接可玩

据 Meta 介绍，这几个任务中，DINOv2 在大多数基准上超过了目前开源视觉模型中表现最好的 OpenCLIP。

我们先来看看深度估计的效果。

值得一提的是，在效果更好的情况下，DINOv2 运行的速度也比 iBOT 更快，相同硬件下只需三分之一的内存，运行速度就能比 DINOv2 快上 2 倍多。

这是 Meta 论文中与 OpenCLIP 在实际例子上的比较效果:

接下来是语义分割的效果，这里也先给出 Meta 论文中的数据对比情况:

那么，这样的自监督视觉大模型可以用在哪里？

从 Meta 给出的视频来看，目前有一些比较环保的用途，例如用于估计全球各地的树木高度:

除此之外，如同扎克伯格所说，DINOv2 还能被用于改善医学成像、粮食作物生长等。当然这里小扎还进一步强调:

可以被用于制作更具沉浸感的元宇宙。

嗯，看来 Meta 的元宇宙路线还将继续……

试玩 Demo 地址:

项目地址:

参考链接: