Meta发布最新的物体侦测研究，采用新方法的ViTDet模型，在LVIS（Large Vocabulary Instance Segmentation）资料集的计算机视觉表现优于其他基于ViT（Vision Transformers）的模型。ViTDet不仅能够侦测桌椅等标准物体，还能够找出包括喂鸟器、花圈和甜甜圈等物品。
这项研究之所以重要，是因为物体侦测是计算机视觉一个重要的任务，应用范围从自动驾驶、电子商务甚至是增强实境，要使物体侦测更有用，就需要能够识别出更多不常见的对象，或是在训练资料中很少出现的对象。
以过去物体侦测的任务来说，FPN（Feature Pyramid Networks）基本上是标准设计，但Meta这项新研究，显示这并非必然，仅从单一尺度的特征图，就可以构建简单的特征金字塔，不需要用到过去常见的FPN设计，直接使用ViT最后一层特征，就可以重建出FPN，这样的做法更为简单主动，对运算性能来说，内存使用下降，训练和推理的速度也更快。
新的ViTDet模型受益于其更大的主干，以及更好的MAE（Masked Autoencoders）预训练方法，即便ViTDet模型运算量少上许多，但是性能仍优于过去的领先方法。Meta现在于开源Detectron2物体侦测函数库中发布ViTDet程序代码和训练方法，作为新的基线。