首页 > TAG信息列表 > CVer

SegFormer：使用Transformer进行语义分割的简单高效设计

前言 将 Transformer 与轻量级多层感知 (MLP) 解码器相结合，表现SOTA！性能优于SETR、Auto-Deeplab和OCRNet等网络，代码即将开源！ 注1：文末附【视觉Transformer】交流群 想看更多CVPR 2021论文和开源项目可以点击： CVPR2021-Papers-with-Code ​ SegFormer SegFormer: Simple and Ef

屠榜各大CV任务！Swin Transformer : 层次化视觉Transformer

目标检测刷到58.7 AP（目前第一）！ 实例分割刷到51.1 Mask AP（目前第一）！ 语义分割在ADE20K上刷到53.5 mIoU（目前第一）！ 性能优于DeiT、ViT和EfficientNet等主干网络，代码即将开源！ 注1：文末附【Transformer】交流群 注2：整理不易，欢迎点赞，支持分享！ 想看更多CVPR 2021论文和开源项目可以点击：

Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

目标检测刷到58.7 AP（目前第一）！ 实例分割刷到51.1 Mask AP（目前第一）！ 语义分割在ADE20K上刷到53.5 mIoU（目前第一）！ 性能优于DeiT、ViT和EfficientNet等主干网络，代码即将开源！ 注1：文末附【Transformer】交流群 注2：整理不易，欢迎点赞，支持分享！ 想看更多CVPR 2021论文和开源项目可以点击：

港中文&商汤提出SMCA：用于DETR快速收敛的空间调制协同注意力

为了加速DETR收敛，本文提出了一种简单而有效的方案来改进DETR框架，即空间调制协同注意（SMCA）机制。即插即用，让DETR涨点明显。性能优于可变形DETR、DETR等网络。 注1：文末附【Transformer】和【目标检测】交流群 注2：整理不易，点赞的人暴富，论文多多！ SMCA Fast Convergence of DETR wi

Fast Convergence of DETR with Spatially Modulated Co-Attention

为了加速DETR收敛，本文提出了一种简单而有效的方案来改进DETR框架，即空间调制协同注意（SMCA）机制。即插即用，让DETR涨点明显。性能优于可变形DETR、DETR等网络。 注1：文末附【Transformer】和【目标检测】交流群 注2：整理不易，点赞的人暴富，论文多多！ SMCA Fast Convergence of DETR wi