Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet
T2T-ViT:在ImageNet上从头开始训练视觉Transformer.
T2T-ViT:在ImageNet上从头开始训练视觉Transformer.
CaiT:更深的视觉Transformer.
ConvNeXt V2: 使用MAE协同设计和扩展卷积网络.
DeepViT:构建更深的视觉Transformer.
DeiT:通过注意力蒸馏训练数据高效的视觉Transformer.
在ImageNet-1k数据集上更好地训练视觉Transformer.