浙大等提出视觉任务统一架构VisionLLAMA

要点:1.VisionLLaMA是一种统一的视觉transformer架构，显著提升了图像生成、分类、语义分割和目标检测等多个主流视觉任务的性能。2.VisionLLaMA架构采用常规transformer和金字塔结构两种设计，有效减少了视觉和语言之间的架构差异，实现了更好的泛化能力和更快的收敛速度。