Multimodal Token Fusion for Vision Transformers
论文简介：
许多方法已经应用到了 Transformer 以解决单模态视觉任务，其中自注意模块被堆叠来处理图像等输入源。直观地说，向 Transformer 输入多种模式的数据可以提高性能，但注意力权重可能会被稀释，从而极大地削弱最终的性能。
在本文中，作者提出了一种多模态 Token 融合方法（Token Fusion），针对基于 Transformer 的视觉任务。为了有效地融合多种模式，Token Fusion 动态检测无信息的 token&
