YOLOv11x

Vision Transformers 的数据效率与其预训练一致性相关，而非固有偏置

一篇新的研究论文挑战了普遍的看法，即 Vision Transformers (ViTs) 在工业密集预测任务中比卷积神经网络 (CNNs) 需要更多的标记数据。该研究表明，感知到的数据效率差距主要是由于 ViT 主干和 CNN 颈部之间的预训练不一致性造成的，而不是 ViTs 的基本架构限制。研究人员提出了一种新颖的 AlignBlock 来重新校准特征，并证明通过适当的对齐，ViTs 在领域邻近数据集上可以优于 CNNs，而在领域…