Pix2seq：连接文本和图像的目标检测算法

论文地址：

https://arxiv.org/abs/2109.10852

代码地址：

（非官方实现）https://github.com/gaopengcuhk/Stable-Pix2Seq

主要工作：

这篇论文将对象检测转换为基于观察到的像素输入的语言建模任务。对象描述（例如，边界框和类标签）被表示为离散标记的序列，即训练一个神经网络来感知图像并生成所需的序列。

也就是说，通过输入图像来输出语言序列，该语言序列描述物体位置和物体类别。

具体实现：

序列构造：

每个目标可以表述为五个分别的 token，即 [