论文阅读CVPR Maskformer和Mask2former

前言（碎碎念）：

七月初学完最原始的transformer之后，一直感觉对attention和transformer的理解云里雾里的，似懂非懂，后来又学习了关于visual transformer，像是ViT、Swin、MAE、MoCo和DETR之后，尤其是学习了DETR之后感觉那个query更加神奇了。决心趁热打铁，对transformer再加深理解。

这两篇工作比较有名，在benchmark的CoCo和ADE等数据集里表现非凡。FAIR出品，钞能力~

因为我还是一个初出茅庐的小白，水平和精力实在有限，所写的内容仅为目前为止对工作的理解和思考。其实是更想借这几个工作好好理解一下transformer query based的分割任务，其中如果有理解的不对的地方希望大家指出来，一起交流学习！~

题外话：为什么想学这篇工作？

想读的原因：1、对上一篇汇报的《Rethinking Semantic Segmentation：A Prototype View》里提到的分割任务里的query vector查询方式做分割挺好奇，正好maskformer就是如此 

2、学完detr之后，觉得