图像分割1

前置知识

transformer
这一篇本质上来说是迁移学习，后置阅读

摘要

end-to-end deep learning 端对端的训练
将分组机制带回到深度学习网络（允许只有文本监督而无像素级标识）
使用了Transformer模型
zero-shot（零次训练迁移）本质上来说是迁移学习

简介

语义分割通常使用全卷积神经网络实现

存在两个缺点：

• 打标签成本高昂
• 学习模型仅限于标记标签

GroupViT

利用Transformer的全局自注意力机制可以将视觉标记按照非网格状组装。
因此将视觉标记分层分组成不规则形状的标记