基于Transformer的图像分类网络MultiFormer

打开文本图片集

摘要：为解决目前ViT模型无法改变输入补丁大小且输入补丁都是单一尺度信息的缺点，提出了一种基于Transformer的图像分类网络MultiFormer。MultiFormer通过AWS（attention with scale）模块，将每阶段不同尺度输入小补丁嵌入为具有丰富语义信息的大补丁；通过GLA-P（global-local attention with patch）模块交替捕获局部和全局注意力，在嵌入的同时保留了细粒度和粗粒度特征。（剩余17559字）

网站仅支持在线阅读（不支持PDF下载），如需保存文章，可以选择【打印】保存。