Slabě dohlížený Vision Transformer
Slabě dohlížený Vision Transformer (WS-ViT) trénuje Vision Transformer na obrazových datech, která postrádají přesné anotace na úrovni pixelů, a místo toho využívá levnější a šumivější dohled, jako jsou tagy tříd na úrovni obrazu, ohraničující rámečky nebo text získaný z webu. Globální mechanismus self-attention transformátoru jej činí obzvláště schopným lokalizovat objekty a učit se diskriminační rysy z těchto neúplných popisků.
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. In International Conference on Learning Representations (ICLR). link ↗
- Zhou, Z.-H. (2022). A brief introduction to weakly supervised learning. National Science Review, 5(1), 44–53. DOI: 10.1093/nsr/nwx106 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Weakly Supervised Vision Transformer (WS-ViT). ScholarGate. https://scholargate.app/cs/deep-learning/weakly-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.
- Destilace znalostíHluboké učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Vision TransformerHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →