| 标题 |
ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision |
| 网址 | |
| DOI |
10.48550/arxiv.2102.03334
doi
|
| 其它 |
期刊:Cornell University - arXiv 作者:Wonjae Kim; Bokyung Son; Ildoo Kim 出版日期:2021-01-01 |
| 求助人 | |
| 下载 | 求助已完成,仅限求助人下载。 |
PDF的下载单位、IP信息已删除
(2025-6-4)