2021年11月24日 · Patch-wise分类是指将图像分为许多小的子区域(称为patch)，并对每个patch进行单独的分类。这种方法通常用于对大型图像进行分类，并且具有较高的计算效率。

基于可视化观察和分析，作者提出了一个基于Window-free的Transformer结构，通过在训练期间引入patch-wise的responsive field作为交互窗口指导监督模型训练，相比ViT有较大幅度的提升。 这是window-free的工作流程，其中Si是每个patch的responsive field区域，是一个二值化的方格图。 文章地址： Visualizing and Understanding Patch Interactions in Vision Transformer解决问题 模型缺乏可解释性。现有的方法（e.g., ViT）受自然语言处理领域工作的启发，只关注了如何把视 …

2018年11月27日 · Patch-wise分类是指将图像分为许多小的子区域(称为patch)，并对每个patch进行单独的分类。这种方法通常用于对大型图像进行分类，并且具有较高的计算效率。

2019年7月24日 · pixel-wise，patch-wise，image-wise的含义如下. pixel-wise字面上的理解一样，一张图片是由一个个pixel组成的，这个是图像的基本单位，像素级别的. image-wise图像级别，比如一张图片的标签是狗，是对整个图片的标注

2019年4月10日 · 在每一个时间步，patchwork从输入帧上裁剪一个小窗送入一个特殊的特征提取网络，这个特征提取网络包含了一系列分散在网络主体中的专用记忆单元， 网络最终预测出检测结果或分割结果。 此外，网络还会预测下一帧中最有可能包含有用信息的的attention window。 Patchwork的原始motivation是进行高效的视频流处理。 换句话说就是在高质量地进行检测或分割任务的同时降低延迟和计算开销。 在不需要考虑延迟的应用上，我们还能将节省下的资源用 …

2021年9月15日 · 在解码器末端，作者提出了分区注意力模块（PWA: Patch-wise Attention），也是创新点所在。 我就不放公式了，作者结构图画的很清楚，首先上面的解码器提供了 PWA 的两个输入，一个是体积小的全局特征 C * H * W，一个是 局部特征 C * H/s * W/s。

我理解的patchwise training是指对每一个感兴趣的像素，以它为中心取一个patch，然后输入网络，输出则为该像素的标签，训练时就将一个个patch组成一个batch作为网络输入。

2022年3月4日 · In this paper, we propose PSAQ-ViT, a Patch Similarity Aware data-free Quantization framework for Vision Transformers, to enable the generation of "realistic" samples based on the vision transformer's unique properties for calibrating the quantization parameters.

本小节将详细介绍动态patch-wise卷积 (DPWConv)的操作。 给定input feature map X^ {R^ {C_ {in}×H×W}} 和一个权重 \theta\in R^ {C_ {out}\times \frac {C_in} {G} \times K_h \times K_w \times N_h \times N_w} （由context head 生成图3 （a）中橙色的部分 w_i ）,其中 C_ {in} 和 C_ {out} 分别是输入和输出的通道数， H 和 W 分别是输入的高度和宽度， K_h,H_w 分别是卷积和的高度和宽度， N_h,N_w 分别是沿着高度和宽度轴的patches 的个数。 输出的patches 如下：

3 天之前 · Virtual stain transfer leverages computer-assisted technology to transform the histochemical staining patterns of tissue samples into other staining types. However, existing methods often lose detailed pathological information due to the limitations of the cycle consistency assumption. To address this challenge, we propose STNHCL, a hypergraph-based patch-wise contrastive learning method ...