摘要： 前言 Vision Transformers 中，输入图像的空间维度会出现相当大的冗余，从而导致大量的计算成本。因此，本文中提出了一种由粗到精的视觉变换器（CF-ViT）来减轻计算负担，同时保持性能。CF-ViT 以两阶段的方式实现网络推理。在粗略推理阶段，输入图像被分成一个小长度的补丁序列，用于计 阅读全文