文献阅读:Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions
- 出处:CoRR abs/2102.12122 (2021)
- 主要内容:PVT在ViT基础上引入了和CNN类似的金字塔结构,使得PVT像CNN那样作为backbone,应用在图像分类(分割和检测)等任务。
Abstract
尽管使用卷积神经网络(CNNs)作为骨干在计算机视觉领域取得了巨大的成功,但这项工作研究了一种简单的骨干网络,对于许多没有卷积的密集预测任务很有用。不同于最近提出的用于图像分类的Transformer模型(如ViT),我们提出了金字塔视觉变压器(PVT),它克服了将Transformer移植到各种密集预测任务中的困难。与现有技术相比,PVT有几个优点:
(1)不同于ViT,通常ViT有低分辨率的输出和高成本的计算和内存,PVT不仅可以训练图像的密度分区上实现高输出分辨率,对密集的预测是很重要的,但也使用逐步缩小金字塔减少大型特征图的计算。
(2) PVT继承了CNN和Transformer的优点,通过简单地替换CNN骨干,使其成为各种视觉任务中不需要卷积的统一骨干。
(3)我们通过大量的实验验证了PVT,表明它提高了许多下游任务的性能,例如对象检测、语义和实例分割。例如,在相当数量的参数下,RetinaNet+PVT在COCO数据集上获得了40.4个AP,超过了RetinNet+ResNet50(36.3个AP)的4.1个绝对AP(见图2)。我们希望PVT可以作为像素级预测的