近期 Transformer在CV领域非常火，很多方向出现了不少优质的工作。其中今年非常有代表性就是：DETR、ViT等。
本文将介绍的就是华为等联合最新提出的视觉Transformer综述。
注：文末附综述PDF下载和Transformer交流群
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！
A Survey on Visual Transformer
发布时间：2020.12.24
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。
由于自注意力是的Transformer基本组成部分，因此也简要回顾了计算机视觉中的自注意力。包括有效的Transformer方法，可将Transformer推入实际应用。
基于Transformer的语言代表性模型
视觉Transformer
图像分类领域近期很有代表性的工作有：iGPT、ViT、BiT-L等
推荐阅读：
用Transformer完全替代CNN
Amusi 补充：还有刚出的DeiT
目标检测领域近期很有代表性的工作有：DETR、Deformable DETR等
推荐阅读：
目标检测新坑来了！对标Faster R-CNN！FAIR提出DETR：用Transformers来进行端到端的目标检测
训练加快10倍！性能更强！商汤等提出可变形DETR目标检测网络
车道线检测领域近期很有代表性的工作有：LSTR
420 FPS！LSTR：基于Transformer的车道线检测网络
Low-level Vision领域近期很有代表性的工作有：IPT
推荐阅读：
Transformer再下一城！low-level多个任务榜首被占领，北大华为等联合提出预训练模型IPT
还有很多方向的Transformer应用介绍，详见综述
综述PDF下载
后台回复：Transformer综述，即可下载论文PDF