标签: 视觉

所有带有此标签的文章 "视觉".

• Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

  发布于: 2025年6月23日

  1,927 字 · 约 7 分钟

  看看 Shift-Window Attention。

• SlowFast Networks for Video Recognition

  发布于: 2025年5月27日

  2,445 字 · 约 9 分钟

  多分支 CNN，会不会有一些分支能学到更加相似的帧间变化？

• Scalable Diffusion Models with Transformers

  发布于: 2025年3月16日

  2,252 字 · 约 8 分钟

  Diffusion Transformer.

• Conv2Former: A Simple Transformer-Style ConvNet for Visual Recognition

  发布于: 2025年3月4日

  1,621 字 · 约 6 分钟

  使用大 kernel DS 卷积替代 self-attention。字节新加坡的工作。

• Segment Anything

  发布于: 2025年1月10日

  6,766 字 · 约 24 分钟

  Meta 的 SAM。

• SDiT: Spiking Diffusion Model with Transformer

  发布于: 2025年1月3日

  1,956 字 · 约 7 分钟

  脉冲 Diffusion Transformer，里面的 Transformer 的结构是 RWKV 的。

• ConvUNeXt:An efficient convolution neural network for medical image segmentation

  发布于: 2024年12月31日

  2,171 字 · 约 8 分钟

  ConvNext + UNet，发在一个 C 刊上，借鉴学习一下，想想我的模块怎么设计。

• ConvNext V2: Co-designing and Scaling ConvNets with Masked Autoencoders

  发布于: 2024年12月17日

  1,821 字 · 约 7 分钟

  ConvNext 续作，引入了 MAE。

• A ConvNet for the 2020s

  发布于: 2024年12月16日

  3,457 字 · 约 13 分钟

  CVPR2022。Meta 的工作，在 ViT 相关工作占视觉大头的情况下重构纯卷积的网络，并且取得了很好的效果。

• VPRTempo: A Fast Temporally Encoded Spiking Neural Network for Visual Place Recognition

  发布于: 2024年10月14日

  1,237 字 · 约 5 分钟

  ICRA2024 的论文，用 Temporal Encoding 的 STDP Direct Training 的 SNN 做场景识别的任务。太简单了