基于推断空间缩减的无嵌入 Transformer 的高效语义分割

本研究提出了一种新的无监督域适应方法DAFormer，在GTA-to-Cityscapes和Synthia-to-Cityscapes语义分割任务中表现优于现有技术。

SegFormer是一种简单、高效的语义分割框架，结合了Transformers和轻量级多层感知机解码器，SegFormer-B5在Cityscapes验证集上达到了84.0%的mIoU。

DualFormer是一种新型Transformer架构，专为视频识别设计，能够有效处理时空依赖关系，并在多个视频基准测试中表现优越。

EFormer方法通过建立语义和轮廓探测器，增强模型对语义和轮廓特征的注意力，在肖像抠图任务中优于之前的方法。

GNCformer通过增强的自注意机制提高了自动语音识别任务的性能，字符错误率相较于传统Transformer网络有所降低。

Attention Free Transformer (AFT)框架通过高效的矩阵运算和位置偏移降低存储复杂度，在多个任务上表现出优秀的性能和高效性。

SegFormer3D在3D医学图像分割中表现出色，参数更少且GFLOPS更低，取得了竞争性结果。

SeaFormer是一种新方法，用于移动语义分割，在ADE20K和Cityscapes数据集上实现了最佳分割准确性和延迟之间的权衡。