Buchumschlag

Vision Transformers with Hierarchical Attention

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Yun, Wu, Yu-Huan, Sun, Guolei, Zhang, Le, Chhatkuli, Ajad, Van Gool, Luc
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Continuous Pose for Monocular Cameras in Neural Implicit Representation
von: Ma, Qi, et al.
Veröffentlicht: (2023)

Self-supervised Shape Completion via Involution and Implicit Correspondences
von: Liu, Mengya, et al.
Veröffentlicht: (2024)

Inferring Compositional 4D Scenes without Ever Seeing One
von: Gokmen, Ahmet Berke, et al.
Veröffentlicht: (2025)

One2Any: One-Reference 6D Pose Estimation for Any Object
von: Liu, Mengya, et al.
Veröffentlicht: (2025)

VF-NeRF: Learning Neural Vector Fields for Indoor Scene Reconstruction
von: Puigjaner, Albert Gassol, et al.
Veröffentlicht: (2024)

EgoNight: Towards Egocentric Vision Understanding at Night with a Challenging Benchmark
von: Zhang, Deheng, et al.
Veröffentlicht: (2025)

Learning Local and Global Temporal Contexts for Video Semantic Segmentation
von: Sun, Guolei, et al.
Veröffentlicht: (2022)

Rethinking Global Context in Crowd Counting
von: Sun, Guolei, et al.
Veröffentlicht: (2021)

Rethinking Few-shot 3D Point Cloud Semantic Segmentation
von: An, Zhaochong, et al.
Veröffentlicht: (2024)

Self-Explainable Affordance Learning with Embodied Caption
von: Zhang, Zhipeng, et al.
Veröffentlicht: (2024)

Enhancing Semantic Segmentation with Continual Self-Supervised Pre-training
von: Ebouky, Brown, et al.
Veröffentlicht: (2025)

RGB-D Indiscernible Object Counting in Underwater Scenes
von: Sun, Guolei, et al.
Veröffentlicht: (2023)

iHuman: Instant Animatable Digital Humans From Monocular Videos
von: Paudel, Pramish, et al.
Veröffentlicht: (2024)

LocalViT: Analyzing Locality in Vision Transformers
von: Li, Yawei, et al.
Veröffentlicht: (2021)

TrafficBots V1.5: Traffic Simulation via Conditional VAEs and Transformers with Relative Pose Encoding
von: Zhang, Zhejun, et al.
Veröffentlicht: (2024)

Enhanced Multi-Scale Cross-Attention for Person Image Generation
von: Tang, Hao, et al.
Veröffentlicht: (2025)

Investigating the Effectiveness of Cross-Attention to Unlock Zero-Shot Editing of Text-to-Video Diffusion Models
von: Motamed, Saman, et al.
Veröffentlicht: (2024)

Towards Online Real-Time Memory-based Video Inpainting Transformers
von: Thiry, Guillaume, et al.
Veröffentlicht: (2024)

Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation
von: Tang, Hao, et al.
Veröffentlicht: (2024)

MatIR: A Hybrid Mamba-Transformer Image Restoration Model
von: Wen, Juan, et al.
Veröffentlicht: (2025)

Vision encoders should be image size agnostic and task driven
von: Prisadnikov, Nedyalko, et al.
Veröffentlicht: (2025)

XTrack: Multimodal Training Boosts RGB-X Video Object Trackers
von: Tan, Yuedong, et al.
Veröffentlicht: (2024)

Test-time Training for Hyperspectral Image Super-resolution
von: Li, Ke, et al.
Veröffentlicht: (2024)

Optimizing against Infeasible Inclusions from Data for Semantic Segmentation through Morphology
von: Basu, Shamik, et al.
Veröffentlicht: (2024)

Bayesian Self-Training for Semi-Supervised 3D Segmentation
von: Unal, Ozan, et al.
Veröffentlicht: (2024)

Condition-Invariant Semantic Segmentation
von: Sakaridis, Christos, et al.
Veröffentlicht: (2023)

Generalized Few-shot 3D Point Cloud Segmentation with Vision-Language Model
von: An, Zhaochong, et al.
Veröffentlicht: (2025)

Sun Off, Lights On: Photorealistic Monocular Nighttime Simulation for Robust Semantic Perception
von: Tzevelekakis, Konstantinos, et al.
Veröffentlicht: (2024)

Contrastive Learning for Multi-Object Tracking with Transformers
von: De Plaen, Pierre-François, et al.
Veröffentlicht: (2023)

Learning to Prompt with Text Only Supervision for Vision-Language Models
von: Khattak, Muhammad Uzair, et al.
Veröffentlicht: (2024)

Video Understanding: From Geometry and Semantics to Unified Models
von: An, Zhaochong, et al.
Veröffentlicht: (2026)

EvenNICER-SLAM: Event-based Neural Implicit Encoding SLAM
von: Chen, Shi, et al.
Veröffentlicht: (2024)

LangHOPS: Language Grounded Hierarchical Open-Vocabulary Part Segmentation
von: Miao, Yang, et al.
Veröffentlicht: (2025)

Hierarchical Graph Attention Network for No-Reference Omnidirectional Image Quality Assessment
von: Yang, Hao, et al.
Veröffentlicht: (2025)

Know Your Neighbors: Improving Single-View Reconstruction via Spatial Vision-Language Reasoning
von: Li, Rui, et al.
Veröffentlicht: (2024)

ObjectRelator: Enabling Cross-View Object Relation Understanding Across Ego-Centric and Exo-Centric Perspectives
von: Fu, Yuqian, et al.
Veröffentlicht: (2024)

DuoFormer: Leveraging Hierarchical Representations by Local and Global Attention Vision Transformer
von: Tang, Xiaoya, et al.
Veröffentlicht: (2025)

PBR-NeRF: Inverse Rendering with Physics-Based Neural Fields
von: Wu, Sean, et al.
Veröffentlicht: (2024)

CAFuser: Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes
von: Broedermann, Tim, et al.
Veröffentlicht: (2024)

Fine-Grained Spatial and Verbal Losses for 3D Visual Grounding
von: Dey, Sombit, et al.
Veröffentlicht: (2024)