Explainable Vision Transformer
Explainable Vision Transformer combina el rendiment d'alt reconeixement d'imatges dels Vision Transformers (ViT) amb tècniques d'atribució —com ara propagació de rellevància, attention rollout o atenció ponderada per gradient— que destaquen quines regions de la imatge impulsen cada predicció. L'aproximació permet als investigadors i professionals auditar les decisions del model i satisfer els requisits de transparència sense sacrificar l'exactitud.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Explainable Vision Transformer (XViT / ViT with Post-hoc Attribution). ScholarGate. https://scholargate.app/ca/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.
- Classificació d'imatgesAprenentatge profund↔ compare
- Transformador de Visió MultimodalAprenentatge profund↔ compare
- Vision Transformer auto-supervisatAprenentatge profund↔ compare
- Segmentació semànticaAprenentatge profund↔ compare
- Vision TransformerAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →