遥遥领先 | 百度提出ViT-CoMer新主干，各个任务都是性能的巅峰，COCO更刷到64.3%

关注「AIWalker」并星标从此AI不迷路来源 | AI视界引擎尽管视觉Transformer（ViT）在计算机视觉中已经取得了显著的成就，但由于缺乏内部斑块信息交互和特征尺度多样性有限，它在密集预测任务中的表现并不理想。大多数现有研究致力于设计视觉特定的Transformer来解决上述问题，这引入了额外的预训练成本。因此，我们提出了一种简单的、无需预训练的、特征增强的ViT主干网络，具有卷积多尺度特征交互功能，名为ViT-CoMer，它促进了CNN与Transformer之间的双向交互。与最先进的方法相比，ViT-CoMer具有以下优点：将空间金字塔多接收域卷积特征注入到ViT架构中，有效缓解了ViT中局部信息交互有限和单一特征表示的问题。提出了一种简单高效的CNN-Transformer双向融合交互模块，它能够在不同层次的特征之间进行多尺度融合，有利于处理密集预测任务。在各种密 ………………………………