2,291 0
[略读]Align before Fuse
Align before Fuse: Vision and Language Representation Learning with Momentum Distillation 背景 VLP（Vis...
835 0
[翻译] UNITER：通用图文表示学习
UNiversal Image-TExt Representation Learning Abstract 联合图文嵌入是大多数视觉和语言任务(V+L tasks)的基础，在这些任务中，多模态输入被同...
655 0
世界毕竟不是由天才创造的2
前几天雪梨发来篇文章，追溯源头可能是《世界毕竟不是由天才创造的》，为了防止原博客也失效，我将原文复制在下方： 前几天晚饭间，老华组织在座的12个人玩一个猜数字的游戏，游戏规则是这样的： 每人给出一个从...
852 0
[略读]Twins系列
Twins: Revisiting the Design of Spatial Attention in Vision Transformers Conditional Positional Enco...
4,633 1
[略读]Swin-Transformer
Swin Transformer: Hierarchical Vision Transformer using Shifted Windows 主要贡献： Patch Merging Layer Sh...
1,084 0
[翻译]Pyramid Vision Transformer
A Versatile Backbone for Dense Prediction without Convolutions Abstract 尽管使用CNN作为骨干网络的结构在视觉领域取得巨大成功，...