PVT v2：ピラミッドビジョントランスフォーマーを用いた改善されたベースライン

最近、Transformerはコンピュータビジョン分野において著しい進展を遂げている。本研究では、元々のピラミッド型ビジョンTransformer（PVT v1）を改良し、以下の3つの設計を導入することで新たなベースラインを提示する。すなわち、(1) 線形計算量を実現するアテンション層、(2) 重複するパッチ埋め込み、(3) コンボリューション型フィードフォワードネットワークである。これらの改訂により、PVT v2はPVT v1の計算量を線形レベルまで低減し、分類、検出、セグメンテーションといった基本的な視覚タスクにおいて顕著な性能向上を達成した。特に、最近のSwin Transformerなどと比較しても同等または優れた性能を発揮している。本研究が、コンピュータビジョンにおける最先端のTransformer研究の促進に貢献することを期待する。コードは https://github.com/whai362/PVT にて公開されている。