文章预览
论文探索了在中型 ImageNet-1k 数据集上预训练的普通 ViT 到更具挑战性的 COCO 目标检测基准的可迁移性，提出了基于 Vision Transformer 的 You Only Look at One Sequence ( YOLOS )目标检测模型。在具有挑战性的 COCO 目标检测基准上的实验结果表明， 2D 目标检测可以以纯 sequence-to-sequence 的方式完成，并且附加的归纳偏置最小 来源：晓飞的算法工程笔记 公众号 论文: You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection 论文地址：https://arxiv.org/abs/2106.00666 论文代码：https://github.com/hustvl/YOLOS Introduction Vision Transformer ( ViT ) 证明，直接继承自 NLP 的 Transformer 编码器架构可以在大规模图像识别方面表现出色。以图像块嵌入序列作为输入，仅需少量的 Fine-tune 数据， ViT 即可成功地从纯粹的 sequence-to-sequence 角度将足量数据预训练的视觉表达迁移到更具体的图
………………………………
