【唐宇迪】CV不存在？Meta最新的计算机视觉Segment Anything

视频1:08:49这里，聊到cross-attention和vise versa(我觉得就是英文语境和中文理解带来的问题)，迪哥这里理解和我的理解有点出入。我看了看代码的说明：

这边我画一个示意图您看看是不是这个意思：

我的理解就是，point embed这块在第一个cross attention出Q，image embed出K,V；第二个cross attention反过来，point embed出K,V，image embed出Q。或许会带来特征维度上的变化（？）换句话说，本质上是研究point embed和image embed的“相关性”（？），这也是某种程度上的对称性设计诶，我感觉。

您看是不是这个道理？（图里省略了很多东西，残差连接没画全）