YotoR——你只需变换一种表示

本文介绍了YotoR（You Only Transform One Representation），一种结合了Swin Transformer和YoloR架构的新型深度学习目标检测模型。Transformer作为自然语言处理中的革命性技术，也对计算机视觉产生了重大影响，提供了提升准确性和计算效率的潜力。YotoR将强大的Swin Transformer骨干网络与YoloR的颈部和头部相结合。在我们的实验中，YotoR模型TP5和BP4在各种评估中始终优于YoloR P6和Swin Transformer，提供了比Swin Transformer模型更好的目标检测性能和更快的推理速度。这些结果凸显了进一步模型组合以及利用Transformer进行实时目标检测改进的潜力。论文最后强调了YotoR的更广泛影响，包括其增强基于Transformer的模型以处理图像相关任务的潜力。