Samoučící se vidění Transformer
Samodruhové vidění Transformer (SSL-ViT) aplikuje samodruhové předtrénovací cíle — jako je predikce maskovaných patchů (MAE) nebo samo-destilace bez labelů (DINO) — na architekturu Vision Transformer, což umožňuje naučit se silné vizuální reprezentace z velkých neoznačených obrazových korpusů před jakýmkoli doladěním specifickým pro daný úkol.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Caron, M., Touvron, H., Misra, I., Jegou, H., Mairal, J., Bojanowski, P., & Joulin, A. (2021). Emerging Properties in Self-Supervised Vision Transformers. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 9650–9660. link ↗
- He, K., Chen, X., Xie, S., Li, Y., Dollar, P., & Girshick, R. (2022). Masked Autoencoders Are Scalable Vision Learners. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 16000–16009. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Vision Transformer (SSL-ViT). ScholarGate. https://scholargate.app/cs/deep-learning/self-supervised-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.
- Dolaďovaný Vision TransformerHluboké učení↔ compare
- Multimodální Vision TransformerHluboké učení↔ compare
- Konvoluční neuronová síť se samoučenímHluboké učení↔ compare
- Vision TransformerHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →