研究人员开发了 CoViT,一个新颖的自监督学习框架,旨在增强 Vision Transformer (ViT) 在实例级感知任务中的能力。CoViT 通过使用几何引导的对比学习来注入实例感知能力,解决了 ViT 在区分相同对象方面的局限性。该框架通过协调 ViT 的注意力图和嵌入,并采用基于三元组的对比损失来实现这一点,从而有效降低了实例内方差并增加了实例间间隔。这种方法在目标检测和实例分割等任务中带来了显著的性能提升,而无需额外的解码器或标记数据。 AI
影响 增强了 Vision Transformer 在实例级任务中的能力,有望提高目标检测和分割的准确性。
排序理由 详细介绍改进 Vision Transformer 新方法的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- Contrastive Vision Transformer
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- ScienceCast
- Vision Transformers
- Vít
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →