兴趣使然的创作者

YOLOv5-6.2全新版本：支持图像分类

Swin Transformer的思想比较容易理解，如下图所示，ViT(Vision Transformer)的思想是将图片分成16x16大小的patch，每个patch进行注意力机制的计算。而Swin Transformer并不是将所有的图片分成16x16大小的patch，有16x16的，有8x8的，有4x4的。每一个patch作为一个单独的窗口，每一个窗口不再和其它窗口直接计算注意力，而是在自己内部计算注意力，这样就大幅减小了计算量。......

Vision Transformer是2021年谷歌在ICLR上提出的算法，算法原理并不复杂，但是其价值是开创性的。它首次将NLP领域火热的Transformer模型架构移植到了CV领域，打破了这两个领域壁垒，并取得不错的成效。论文名称： An Image Is Worth 16x16 Words: Transformers For Image Recognition At Scale。...