论文链接：Open-Vocabulary Camouflaged Object Segmentation 1 introduction 现在的伪装目标检测主要集中在预定义的封闭集场景上，其中所有的语义概念都在推理和训练阶段被看到，但是这过度简化了真实世界的复杂性，因此，作者提出了一个新的方向，开放词汇环境下的伪装目标检测，Open-Vocabula…
论文地址：Spider: A Unified Framework for Context-dependent Concept Segmentation 1 Introduction 首先说一下Context Dependent(CD)和Context Independent(CI) 在自然语言处理中，上下文无关概念是指那些在不同上下文中其含义基本不…
1 Introduction 现在的SOD和COD方法，都是为特定任务训练的模型，比如说深度图、热力图等，这个模型只适用于某种特定的数据集，这种方式不利与泛化，这个模型只能处理单一模式的数据，如果给别的类型的数据，则无法处理。并且，作者发现，不同的任务、不同模态的数据会共享一些相同点，并且有一些独特的线索，只要把这些共同点和独特的线索表示出来，就可…
论文地址：CamoFormer: Masked Separable Attention for Camouflaged Object Detection 1 研究动机 现在的伪装目标识别的模型都没有把前景和背景分开处理，这就很难从相似的环境中识别出伪装目标，现在的目标，关键就是分别encode前景和背景。受到Masked Multi-Head At…
论文地址：Multiscale Vision Transformer CVPR2021 1 introduction 在视觉领域，特征金字塔结构是一种常用的结构，即随着网络的加深，特征图的分辨率越来越小，但是特征图的深度，即channel数，越来越多。高空间分辨率的特征图具有low-level的细节信息，低分辨率的深层特征图具有high-leve…
论文地址：Multiview Transformers for Video Recognition CVPR2022 文章是基于ViViT进行改造的 1 研究背景 在图像领域，多尺度处理通过金字塔结构实现。为了视频中的时间多尺度，以前SlowFast是有了2个分支。但是使用一个金字塔结构时，时间空间信息会因为下采样会有一部分信息的丢失。比如Slo…
论文地址：ViViT: A Video Vision Transformer 0 divided attention divided attention是ViViT的先验知识，它在Is Space-Time Attention All You Need for Video Understanding?这篇文章中提出，我们知道，视频区别于图片，除了空…