多视角 Transformer，在图像分类、目标检测以及实例和语义分割实现Top-1 精度 ！

文章预览

目前正积极研究如何提升视觉 Transformer (ViTs)的效率。大多数研究都集中在有效Token混合器的研究上，忽略了归一化可能带来的潜在关系。 为了促进多样化的特征学习，作者提出两个组件：一个称为多视图归一化(MVN)的归一化模块和一个称为多视图Token混合器(MVTM)的Token混合器。 MVN通过使用可学习加权和结合批量、层和实例归一化的三种不同归一化特征来整合这些信息。每种归一化方法输出不同的分布，生成不同的特征。 因此，MVN有望向Token混合器提供多样化的模式信息，从而产生有益的协同效应。 MVTM是一种基于卷积的多尺度Token混合器，具有局部、中间和全局滤波器，并且通过在每个阶段配置Token混合器的不同感受野来实现阶段特异性，有效地捕捉视觉模式的不同范围。 作者提出了一种新颖的ViT模型——多视角 Transformer (MVFormer)，在MetaFormer块中采 ………………………………