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

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目，它利用结构化 3D 潜在表示技术，实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具，包括文本到 3D、图像到 3D 等，并且支持多种输出格式，如 3D 高斯、辐射场和网格等。通过 TRELLIS，用户可以根据文本描述或图像输入快速生成高质量的 3D 资产，适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目，提供 10 节课程，涵盖构建 AI 代理的必备知识，支持多种语言，包含规划设计、工具使用、多代理等丰富内容，助您快速入门 AI 代理领域。

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。

下拉加载更多