摘要

本研究提出了一种简单而高效的视觉Transformer（Vision Transformer, ViT）密集预测任务适配器——ViT-Adapter。与近年来引入视觉领域特定归纳偏置（inductive biases）的先进变体不同，原始ViT由于先验假设较弱，在密集预测任务上表现不佳。为解决这一问题，我们提出ViT-Adapter，使原始ViT能够达到与专为视觉任务设计的Transformer相当的性能水平。在本框架中，主干网络采用原始ViT，能够从大规模多模态数据中学习强大的表示能力。在迁移到下游任务时，我们引入一种无需预训练的适配器（pre-training-free adapter），将图像相关的归纳偏置注入模型，从而使其更适用于各类密集预测任务。我们在多个密集预测任务上验证了ViT-Adapter的有效性，包括目标检测、实例分割和语义分割。值得注意的是，在不使用额外检测数据的情况下，我们的ViT-Adapter-L在COCO test-dev基准上取得了60.9的box AP和53.0的mask AP，达到当前最优（state-of-the-art）水平。我们期望ViT-Adapter能成为视觉专用Transformer的一种有效替代方案，并推动后续相关研究的发展。代码与模型将开源发布于：https://github.com/czczup/ViT-Adapter。