视觉语言预训练提高了许多视觉语言任务的性能。但是，现有的多数预训练方法依赖目标检测器（objectdetectors）提取基于物体的视觉特征，以此学习细粒度的视觉和语言对齐，例阅读全文>>

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。在视觉任务上，CNN、ViT各有各的优势和劣势。于是，以经典Backbone为基础、细节上相互借鉴，成了最近一个热门研究方向。前有微软SwinTransformer引阅读全文>>