Buchumschlag

MSVIT: Improving Spiking Vision Transformer Using Multi-scale Attention Fusion

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hua, Wei, Zhou, Chenlin, Wu, Jibin, Chua, Yansong, Shu, Yangyang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Spiking Vision Transformer with Saccadic Attention
von: Wang, Shuai, et al.
Veröffentlicht: (2025)

QKFormer: Hierarchical Spiking Transformer using Q-K Attention
von: Zhou, Chenlin, et al.
Veröffentlicht: (2024)

ECViT: Efficient Convolutional Vision Transformer with Local-Attention and Multi-scale Stages
von: Qian, Zhoujie
Veröffentlicht: (2025)

SFOD: Spiking Fusion Object Detector
von: Fan, Yimeng, et al.
Veröffentlicht: (2024)

SDiT: Spiking Diffusion Model with Transformer
von: Yang, Shu, et al.
Veröffentlicht: (2024)

Improving Video Diffusion Transformer Training by Multi-Feature Fusion and Alignment from Self-Supervised Vision Encoders
von: Lee, Dohun, et al.
Veröffentlicht: (2025)

PCaM: A Progressive Focus Attention-Based Information Fusion Method for Improving Vision Transformer Domain Adaptation
von: Zang, Zelin, et al.
Veröffentlicht: (2025)

Multi-scale Temporal Fusion Transformer for Incomplete Vehicle Trajectory Prediction
von: Liu, Zhanwen, et al.
Veröffentlicht: (2024)

Attention Retention for Continual Learning with Vision Transformers
von: Lu, Yue, et al.
Veröffentlicht: (2026)

AT-SNN: Adaptive Tokens for Vision Transformer on Spiking Neural Network
von: Kang, Donghwa, et al.
Veröffentlicht: (2024)

Hybrid Spiking Vision Transformer for Object Detection with Event Cameras
von: Xu, Qi, et al.
Veröffentlicht: (2025)

Improved Kidney Stone Recognition Through Attention and Multi-View Feature Fusion Strategies
von: Villalvazo-Avila, Elias, et al.
Veröffentlicht: (2022)

CASA: Cross-Attention over Self-Attention for Efficient Vision-Language Fusion
von: Böhle, Moritz, et al.
Veröffentlicht: (2025)

SpikeVideoFormer: An Efficient Spike-Driven Video Transformer with Hamming Attention and $\mathcal{O}(T)$ Complexity
von: Zou, Shihao, et al.
Veröffentlicht: (2025)

Improved Belief-Attention in Vision Task
von: Zhang, Guoqiang
Veröffentlicht: (2026)

The Linear Attention Resurrection in Vision Transformer
von: Zheng, Chuanyang
Veröffentlicht: (2025)

TagAlign: Improving Vision-Language Alignment with Multi-Tag Classification
von: Liu, Qinying, et al.
Veröffentlicht: (2023)

Temporal-Spatial Tubelet Embedding for Cloud-Robust MSI Reconstruction using MSI-SAR Fusion: A Multi-Head Self-Attention Video Vision Transformer Approach
von: Wang, Yiqun, et al.
Veröffentlicht: (2025)

Attention Guided CAM: Visual Explanations of Vision Transformer Guided by Self-Attention
von: Leem, Saebom, et al.
Veröffentlicht: (2024)

Local and Global Feature Attention Fusion Network for Face Recognition
von: Yu, Wang, et al.
Veröffentlicht: (2024)

Multimodal Fusion SLAM with Fourier Attention
von: Zhou, Youjie, et al.
Veröffentlicht: (2025)

CAViT -- Channel-Aware Vision Transformer for Dynamic Feature Fusion
von: Safdar, Aon, et al.
Veröffentlicht: (2026)

Deformable Image Registration with Multi-scale Feature Fusion from Shared Encoder, Auxiliary and Pyramid Decoders
von: Zhou, Hongchao, et al.
Veröffentlicht: (2024)

M2DA: Multi-Modal Fusion Transformer Incorporating Driver Attention for Autonomous Driving
von: Xu, Dongyang, et al.
Veröffentlicht: (2024)

[Re] Improving Interpretation Faithfulness for Vision Transformers
von: Kurek, Izabela, et al.
Veröffentlicht: (2025)

SPARO: Selective Attention for Robust and Compositional Transformer Encodings for Vision
von: Vani, Ankit, et al.
Veröffentlicht: (2024)

PolaFormer: Polarity-aware Linear Attention for Vision Transformers
von: Meng, Weikang, et al.
Veröffentlicht: (2025)

RGBD Gaze Tracking Using Transformer for Feature Fusion
von: Bauer, Tobias J.
Veröffentlicht: (2025)

Florence-VL: Enhancing Vision-Language Models with Generative Vision Encoder and Depth-Breadth Fusion
von: Chen, Jiuhai, et al.
Veröffentlicht: (2024)

SocialFusion: Addressing Social Degradation in Pre-trained Vision-Language Models
von: Tahboub, Hamza, et al.
Veröffentlicht: (2025)

Automatic Pith Detection in Tree Cross-Section Images Using Deep Learning
von: Liao, Tzu-I, et al.
Veröffentlicht: (2025)

Improved Ear Verification with Vision Transformers and Overlapping Patches
von: Arun, Deeksha, et al.
Veröffentlicht: (2025)

FGS-SLAM: Fourier-based Gaussian Splatting for Real-time SLAM with Sparse and Dense Map Fusion
von: Xu, Yansong, et al.
Veröffentlicht: (2025)

DiaMond: Dementia Diagnosis with Multi-Modal Vision Transformers Using MRI and PET
von: Li, Yitong, et al.
Veröffentlicht: (2024)

TDFormer: A Top-Down Attention-Controlled Spiking Transformer
von: Zhu, Zizheng, et al.
Veröffentlicht: (2025)

MapFusion: A Novel BEV Feature Fusion Network for Multi-modal Map Construction
von: Hao, Xiaoshuai, et al.
Veröffentlicht: (2025)

MGHFT: Multi-Granularity Hierarchical Fusion Transformer for Cross-Modal Sticker Emotion Recognition
von: Chen, Jian, et al.
Veröffentlicht: (2025)

LiteAttention: A Temporal Sparse Attention for Diffusion Transformers
von: Shmilovich, Dor, et al.
Veröffentlicht: (2025)

Open-Vocabulary Panoptic Segmentation Using BERT Pre-Training of Vision-Language Multiway Transformer Model
von: Chen, Yi-Chia, et al.
Veröffentlicht: (2024)

Dynamic Accumulated Attention Map for Interpreting Evolution of Decision-Making in Vision Transformer
von: Liao, Yi, et al.
Veröffentlicht: (2025)