都说Transformer适合处理多模态任务。 这不，在视频目标分割领域，就有人用它同时处理****文本和视帧，提出了一个结构更简单、处理速度更快（每秒76帧）的视频实例分割框架。 这个框架只需一串文本描述，就可以轻松将视频中的动态目标“抠”出来： 已关注 关注 重播 分享 赞 切换到竖屏全屏 退出全屏 对白的算法屋 已关注 分享 点赞 在看 已同步到看一看[写下你的评论](ja