CNN再助力！CoaT：Co-Scale卷积-注意力图像Transformer

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达本文转载自：AI人工智能初学者‍Co-Scale Conv-Attentional Image Transformers论文：https://arxiv.org/abs/2104.06399代码：https://github.com/mlpc-ucsd/CoaT‍CoaT为Vision Transformer提供了丰富的多尺度和上下文建模能力，表现SOTA！性能优于T2T-ViT、DeiT、PVT等网络，在目标检测、实例分割等下游任务上也涨点明显，代码即将开源！作者单位：加州大学圣地亚哥分校(UCSD)1 简介1.1 快读论文在本文中介绍了Co-scale conv-attentional image Transformers（CoaT），这是一种基于Transformer的图像分类器，其主要包含Co-scale和conv-attentional机制设计。首先，Co-scale机制在各个尺度上都保持了Transformers编码器分支的完整性，同时允许在不同尺度下学习的表示形式能够 ………………………………