Polo-supervizovaný Vision Transformer
Polo-supervizovaný Vision Transformer aplikuje patch-based architekturu self-attention ViT na nastavení, kde je označena pouze část obrazů, využívá rozsáhlé neoznačené korpusy prostřednictvím pseudo-označování, konzistenční regularizace nebo samoučených předběžných úloh před doladěním na malé označené sadě. Tento přístup dosahuje téměř supervizované přesnosti i při nedostatku označených obrazů.
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
- Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. International Conference on Learning Representations (ICLR 2021). link ↗
- Zhai, X., Kolesnikov, A., Houlsby, N., & Beyer, L. (2022). Scaling Vision Transformers. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 12104–12113. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Vision Transformer (Semi-supervised ViT). ScholarGate. https://scholargate.app/cs/deep-learning/semi-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
- Klasifikace obrazuHluboké učení↔ compare
- Samoučící se vidění TransformerHluboké učení↔ compare
- Polu-dohledová klasifikace založená na BERTHluboké učení↔ compare
- Polozavedená konvoluční neuronová síťHluboké učení↔ compare
- Vision TransformerHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →