懂AI

CrossFormer:基于跨尺度注意力的多功能视觉Transformer

RayRay
CrossFormer++视觉Transformer跨尺度注意力图像分类目标检测Github开源项目

CrossFormer

CrossFormer:基于跨尺度注意力的多功能视觉Transformer

CrossFormer是由浙江大学和腾讯AI实验室联合提出的一种创新的视觉Transformer模型,旨在解决现有视觉Transformer在处理不同尺度特征时的局限性。该模型通过巧妙的设计实现了跨尺度注意力机制,在多个计算机视觉任务中展现出优异的性能。

核心创新

CrossFormer的核心创新主要体现在以下几个方面:

  1. 跨尺度嵌入层(CEL) CEL将每个输入嵌入与多个不同尺度的特征进行融合,为自注意力模块提供了跨尺度的特征信息。

  2. 长短距离注意力(L/SDA) L/SDA将自注意力模块分为短距离注意力和长距离注意力两部分,既降低了计算复杂度,又保留了小尺度和大尺度的特征信息。

  3. 动态位置偏置(DPB) DPB模块使相对位置偏置能够适应不同大小的图像输入,增强了模型的灵活性。

这些设计使CrossFormer能够有效地捕捉不同尺度对象/特征之间的关系,从而在多个视觉任务中取得优异表现。

模型架构

CrossFormer采用了金字塔结构,将整个模型分为四个阶段:

  1. 每个阶段都包含一个跨尺度嵌入层(CEL)和多个CrossFormer块。
  2. CEL接收上一阶段的输出(或原始图像)作为输入,生成跨尺度嵌入。
  3. 除第一阶段外,每个阶段的CEL会将嵌入数量减少到四分之一,同时将维度翻倍,形成金字塔结构。
  4. CrossFormer块包含长短距离注意力(L/SDA)模块和多层感知机(MLP)。
  5. 最后一个阶段后跟一个特定任务的头部网络。

实验结果

CrossFormer在多个视觉任务中展现出优异的性能:

  1. 图像分类 在ImageNet-1K数据集上,CrossFormer的各个变体(从小到大)都取得了优于同等规模基线模型的结果。例如,CrossFormer-S(30.7M参数)达到82.5%的Top-1准确率,明显优于ResNet-50(76.2%)和RegNetY-8G(81.7%)。

  2. 目标检测和实例分割 在COCO 2017数据集上,以RetinaNet为检测头时,CrossFormer-S(40.8M参数)在box AP上达到44.4,显著优于ResNet-101(38.5)。使用Mask R-CNN时,CrossFormer-S在box AP和mask AP上分别达到45.4和41.4,同样大幅领先于ResNet-101。

  3. 语义分割 在ADE20K数据集上,使用UPerNet作为分割头时,CrossFormer-S(62.3M参数)在mIoU上达到47.6%,远超ResNet-101(44.9%)。

这些结果充分证明了CrossFormer在处理跨尺度特征方面的优势,尤其在密集预测任务(如目标检测和分割)中表现更为突出。研究者认为,这是因为图像分类主要关注单个对象和大尺度特征,而密集预测任务更依赖于跨尺度的注意力机制。

总结与展望

CrossFormer通过创新的跨尺度注意力机制,成功解决了现有视觉Transformer在处理不同尺度特征时的局限性。它在多个视觉任务中的出色表现,展示了该模型的versatility和潜力。未来,CrossFormer有望在更多复杂的视觉任务中发挥作用,推动计算机视觉领域的进一步发展。

研究者们也在持续改进CrossFormer,如最新提出的CrossFormer++引入了渐进式组大小(PGS)策略和激活冷却层(ACL),进一步提升了模型的性能和计算效率。这些进展表明,基于跨尺度注意力的视觉Transformer仍有广阔的研究空间和应用前景。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多