超级会员免费看
MViTv2是Facebook AI提出的改进版多尺度视觉Transformer，适用于图像分类、目标检测和视频识别。通过引入分解的相对位置嵌入和残差池化连接，MViTv2提高了性能，达到了SOTA水平，如在ImageNet分类的准确率为88.8%，COCO对象检测的58.7 APbox，以及Kinetics-400的86.1%准确率。它在计算效率和准确性上优于窗口注意力机制。
今天要读的论文MViTv2仍然来自Facebook AI。
论文和代码地址
论文名称：MViTv2: Improved Multiscale Vision Transformers for Classification and Detection
论文地址：https://arxiv.org/abs/2112.01526
代码地址：https://github.com/facebookresearch/mvit
首先咱们来看MViT存在的缺点。
1）MViT采用的是和ViT一样的绝对位置编码，即物体在图片中移动之后其
订阅专栏 解锁全文
扫一扫
1983
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
