Semi-supervised Vision Transformer
Semi-supervised Vision Transformer anvender ViT's patch-baserede self-attention-arkitektur på scenarier, hvor kun en brøkdel af billederne er mærket, og udnytter store umærkede datasæt gennem pseudo-mærkning, konsistensregularisering eller selv-superviserede forudgående opgaver før finjustering på det lille mærkede sæt. Denne tilgang opnår næsten-superviseret nøjagtighed, selv når mærkede billeder er knappe.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Vision Transformer (Semi-supervised ViT). ScholarGate. https://scholargate.app/da/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.
- Finetunet Vision TransformerDyb læring↔ compare
- BilledklassifikationDyb læring↔ compare
- Selv-overvåget Vision TransformerDyb læring↔ compare
- Semi-overvåget BERT-baseret KlassifikationDyb læring↔ compare
- Semi-overvåget Convolutional Neural NetworkDyb læring↔ compare
- Vision TransformerDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →