Dolaďovaný Vision Transformer

Dolaďovaný Vision Transformer (Fine-Tuned Vision Transformer) adaptuje velký předtrénovaný model ViT — který rozděluje obrázky na záplaty pevné velikosti a zpracovává je pomocí vrstev self-attention — na nový úkol klasifikace nebo rozpoznávání obrazu s použitím relativně malého označeného datového souboru. Dosahuje špičkové přesnosti v počítačovém vidění tím, že využívá bohaté reprezentace naučené během rozsáhlého předtrénování.