k-means Mask Transformer

变压器 计算机科学 聚类分析 分割 像素 人工智能 图像分割 模式识别(心理学) 自然语言处理 电压 量子力学 物理
作者
Qihang Yu,Huiyu Wang,Siyuan Qiao,Maxwell D. Collins,Yukun Zhu,Hartwig Adam,Alan Yuille,Liang-Chieh Chen
出处
期刊:Lecture Notes in Computer Science 卷期号:: 288-307 被引量:43
标识
DOI:10.1007/978-3-031-19818-2_17
摘要

The rise of transformers in vision tasks not only advances network backbone designs, but also starts a brand-new page to achieve end-to-end image recognition (e.g., object detection and panoptic segmentation). Originated from Natural Language Processing (NLP), transformer architectures, consisting of self-attention and cross-attention, effectively learn long-range interactions between elements in a sequence. However, we observe that most existing transformer-based vision models simply borrow the idea from NLP, neglecting the crucial difference between languages and images, particularly the extremely large sequence length of spatially flattened pixel features. This subsequently impedes the learning in cross-attention between pixel features and object queries. In this paper, we rethink the relationship between pixels and object queries, and propose to reformulate the cross-attention learning as a clustering process. Inspired by the traditional k-means clustering algorithm, we develop a $$\textbf{k}$$ -means Mask Xformer (kMaX-DeepLab) for segmentation tasks, which not only improves the state-of-the-art, but also enjoys a simple and elegant design. As a result, our kMaX-DeepLab achieves a new state-of-the-art performance on COCO val set with 58.0% PQ, and Cityscapes val set with 68.4% PQ, 44.0% AP, and 83.5% mIoU without test-time augmentation or external dataset. We hope our work can shed some light on designing transformers tailored for vision tasks. Code and models are available at https://github.com/google-research/deeplab2 .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
zyy6657完成签到,获得积分10
2秒前
舒心的曼青应助zhanghan采纳,获得10
3秒前
小于一发布了新的文献求助10
3秒前
拉卡拉ah完成签到,获得积分10
5秒前
6秒前
大个应助勤恳的不悔采纳,获得10
6秒前
7秒前
7秒前
完美采梦完成签到 ,获得积分10
8秒前
SciGPT应助lily采纳,获得10
8秒前
笑点低的孤容完成签到,获得积分10
9秒前
9秒前
小布丁完成签到,获得积分10
10秒前
11秒前
11发布了新的文献求助10
13秒前
粑粑发布了新的文献求助10
13秒前
14秒前
18秒前
19秒前
20秒前
独立卫生间完成签到,获得积分10
20秒前
薰硝壤应助橙子采纳,获得20
21秒前
思源应助粑粑采纳,获得10
21秒前
lg给lg的求助进行了留言
23秒前
24秒前
流萤发布了新的文献求助10
25秒前
面面发布了新的文献求助30
27秒前
舒心的曼青应助lily采纳,获得10
29秒前
30秒前
Owen应助朴素幼晴采纳,获得10
30秒前
33秒前
氟锑酸完成签到,获得积分10
34秒前
1212发布了新的文献求助20
34秒前
诗图完成签到,获得积分10
34秒前
34秒前
lalala发布了新的文献求助10
35秒前
撒啊完成签到,获得积分10
35秒前
35秒前
苏苏发布了新的文献求助10
36秒前
Ava应助W,xiaolei采纳,获得10
39秒前
高分求助中
The Oxford Handbook of Social Cognition (Second Edition, 2024) 1050
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3141210
求助须知:如何正确求助?哪些是违规求助? 2792192
关于积分的说明 7801885
捐赠科研通 2448394
什么是DOI,文献DOI怎么找? 1302521
科研通“疑难数据库(出版商)”最低求助积分说明 626638
版权声明 601237