题目:TransVG++: End-to-End Visual Grounding With Language Conditioned Vision Transformer
TransVG++:基于语言条件视觉Transformer的端到端视觉定位
作者:Jiajun Deng , Zhengyuan Yang , Daqing Liu , Tianlang Chen , Wengang Zhou ,Yanyong Zhang , Houqiang Li , Wanli Ouyang , Senior Member
源码链接: https://github.com/djiajunustc/TransVG
摘要
在这项工作中,我们探索了基于Transformer的整洁而有效的框架,用于视觉定位问题。以往的方法通常通过手动设计的机制来解决视觉定位的核心问题,即多模态融合和推理。这种启发式设计不仅复杂,而且使模型容易过度拟合特定的数据分布。为了避免这种情况,我们首先提出了TransVG,它通过Transformer建立多模态对应关系,并通过直