【MViTv2||图像分类||目标检测】Improved Multiscale Vision Transformers for Classification and Detection

【paper】||【Code】

摘要：

• MViTv2就是基于MViT的一个改进版本
• 作者想构建图像和视频分类以及目标检测的同一架构
• MViTv2重点包含分解的位置嵌入和残差池化连接
• MViTv2的池化注意力和窗口注意力机制的精确度比较，池化注意力更优。

动机：

• 为不同的视觉识别任务设计结构历来都很难，最广泛的结构是将简单性和有效型结合。
• vision transformer在高分辨率目标检测和时空视野理解任务中的应用仍然具有挑战性。
• 重点：transforfmer的自注意力块是二次的！
• 目前主流策略：窗口局部注意力；池化注意力。

方法：

• 使用分解的位置距离进行平移不变的位置嵌入，以在Transformer块中注入位置信
• 一种残差池化连接，用于补偿在注意力计算中池化的影响。