成功的视觉语言模型如CLIP等通过与代价聚合技术相结合，在开放词汇语义分割上取得了较好的效果，然而在分割精度方面仍然面临挑战。针对视觉语言模型的采取Transformer主干网络，存在局部空间信息缺乏的问题，本文设计了通道多尺度注意力模块，利用不同大...