CLIPSelf：视觉 Transformer 用于开放词汇密集预测的自我精简

该论文提出了CLIP Surgery方法，提升了CLIP模型的解释性和性能，且在多个任务中获得了显着提高，如在NUS-Wide多标签识别上得到了4.41%的平均精度提升，在Cityscapes开放词汇语义分割任务上的mIoU也超过了现有方法的8.74%。