今日推荐几篇最新/经典计算机视觉方向的论文，涉及诸多方面，都是CVPR2022录用的文章，具体内容详见论文原文和代码链接。
Convnet新活力
- 论文题目：A ConvNet for the 2020s- 论文链接：https://arxiv.org/abs/2201.03545- 代码链接：https://github.com/facebookresearch/ConvNeXt
“文艺复兴”，ConvNet卷土重来，压过Transformer。本文是FAIR的Zhuang Liu(DenseNet的作者)与Saining Xie(ResNeXt的作者)关于ConvNet的最新探索，以ResNet为出发点，逐步引入近来ViT架构的一些设计理念而得到的纯ConvNet新架构ConvNeXt，取得了优于SwinT的性能，让ConvNet再次性能焕发。
从上图可以看到网络架构每一次进化所能取得的性能(ConvNeXt-T取得了82%，超越了Swin-T的81.3%)，由于模型复杂度与最终性能相关，故FLOPs进行了一定程度的控制。
卷积核越大越涨点
- 论文题目：Scaling Up Your Kernels to 31x31: Revisiting Large Kernel Design in CNN
- 论文链接：https://arxiv.org/abs/2203.06717
- 代码链接：https://github.com/MegEngine/RepLKNet
我们发表于CVPR 2022的工作表明，CNN中的kernel size是一个非常重要但总是被人忽略的设计维度，在现代模型设计的加持下，卷积核越大越暴力，既涨点又高效，甚至大到31x31都非常work（如下表所示，左边一栏表示模型四个stage各自的kernel size）！即便在大体量下游任务上，我们提出的超大卷积核模型RepLKNet与Swin等Transformer相比，性能也更好或相当！
新主干！MPViT：用于密集预测的多路径视觉
Transformer
- 论文题目：MPViT: Multi-Path Vision Transformer for Dense Prediction
- 论文链接：https://arxiv.org/abs/2112.11010
- 代码链接：https://github.com/youngwanLEE/MPViT
- 在这项工作中，作者以不同于现有Transformer的视角，探索多尺度path embedding与multi-path结构，提出了Multi-path Vision Transformer(MPViT)。
- 通过使用 overlapping convolutional patch embedding，MPViT同时嵌入相同大小的patch特征。然后，将不同尺度的Token通过多条路径独立地输入Transformer encoders，并对生成的特征进行聚合，从而在同一特征级别上实现精细和粗糙的特征表示。
- 在特征聚合步骤中，引入了一个global-to-local feature interaction(GLI)过程，该过程将卷积局部特征与Transformer的全局特征连接起来，同时利用了卷积的局部连通性和Transformer的全局上下文。
后续
下一期最新/经典视觉cvpr顶会论文敬请期待！
