ViTCN：基于视觉Transformer对比网络的推理

机器学习模型在诸多领域取得显著进展，例如在计算机视觉中实现卓越的目标识别效果，在自然语言处理领域，像GPT这样的大型语言模型（LLM）已能以接近人类的水平与人类对话。然而，抽象推理仍是这些模型的挑战，AI是否真的能像人类一样思考仍是一个尚未解答的问题。Raven Progressive Matrices（RPM）是衡量人类推理能力的指标，它呈现一系列八个图像作为问题组，参与者需尝试发现这些图像之间的隐藏规律，并从八个可能的选项中选择最合适的一个来完成序列。该任务常被用于测试人类的推理能力和智商。Zhang等人提出了名为RAVEN的数据集，可用于测试机器学习模型的抽象推理能力。本文提出了基于对比感知推断网络（CoPiNet）的视觉Transformer对比网络，该网络在前期工作基础上设定了置换不变模型Raven Progressive Matrices的新基准，通过融合心理学、认知科学和教育学中的对比效应，进一步利用先进的视觉Transformer架构。该集成旨在进一步细化机器处理和推理来自像素级输入和RAVEN数据集上全局特征的空间时间信息能力。