Обясним Vision Transformer
Обяснимият Vision Transformer съчетава високата производителност при разпознаване на изображения на Vision Transformers (ViT) с техники за приписване — като разпространение на релевантност, разгръщане на вниманието (attention rollout) или градиентно-претеглено внимание — които подчертават кои области на изображението обуславят всяко предсказание. Този подход позволява на изследователите и практиците да одитират решенията на модела и да удовлетворяват изискванията за прозрачност, без да жертват точността.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Chefer, H., Gur, S., & Wolf, L. (2021). Transformer interpretability beyond attention visualization. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 782–791. DOI: 10.1109/CVPR46437.2021.00084 ↗
- Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., … Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. In International Conference on Learning Representations (ICLR). link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable Vision Transformer (XViT / ViT with Post-hoc Attribution). ScholarGate. https://scholargate.app/bg/deep-learning/explainable-vision-transformer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Класификация на изображенияДълбоко обучение↔ compare
- Мултимодален Вижън ТрансформърДълбоко обучение↔ compare
- Трансформер за зрение със самообучениеДълбоко обучение↔ compare
- Semantic SegmentationДълбоко обучение↔ compare
- Vision TransformerДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →