华为等提出视觉Transformer综述：全面调研

21页Visual Transformer综述，共计156篇参考文献！本文将视觉Transformer模型根据不同的任务进行分类（如检测、分类、视频等），并分析了这些方法的优缺点！

注：文末附**【Transformer】**学习交流群

A Survey on Visual Transformer

• 作者单位：华为诺亚, 北京大学, 悉尼大学
• 论文：https://arxiv.org/abs/2012.12556

Transformer是一种主要基于自注意力机制的深度神经网络，最初应用于自然语言处理领域。受到Transformer强大的表示能力的启发，研究人员提议将Transformer扩展到计算机视觉任务。与其他网络类型（例如CNN和RNN）相比，基于Transformer的模型在各种视觉基准上显示出竞争甚至更好的性能。

在本文中，我们通过将这些视觉Transformer模型分类为不同的任务，并分析了这些方法的优缺点，提供了文献综述。特别地，主要类别包括基本图像分类，高级视觉，低级视觉和视频处理。