Facebook提出：基于视觉Transformer的图像检索

表现SOTA！性能优于ProxyNCA++、XBM等网络，结果表明，与基于卷积的方法相比，transformer具有一致且显著的改进！

Transformer杀疯了！近期又有一波视觉Transformer的工作（大都来自大厂和Top高校）。

注2：整理不易，欢迎点赞，支持分享！

Training Vision Transformers for Image Retrieval

• 作者单位：Facebook, ENS/Inria
• 论文：https://arxiv.org/abs/2102.05644

Transformers在自然语言理解以及最近的图像分类方面显示出了杰出的成果。

我们在这里扩展这项工作，并提出一种基于Transformer的图像检索方法：我们采用视觉transformer来生成图像描述符，并以度量学习目标训练结果模型，该度量学习目标将对比损失与差分熵正则化器相结合。