Sreehari Rammohan

$A^2$ 方法使用小型 ViT 实现更好的物体定位

研究人员开发了一种名为 $A^2$ 的新方法，通过更好地定位前景物体来改进视觉分类。令人惊讶的是，更小的自监督 Vision Transformers (ViTs) 比更大的 ViTs 产生更准确的定位注意力图。$A^2$ 方法结合了用于注意力裁剪的小型 ViT 和用于丰富特征提取的大型 ViT，在五个基准测试中取得了有竞争力的结果，而无需分组标签或特定数据集的训练。