Μετασχηματιστής Όρασης Αυτο-εποπτευόμενος
Ο Μετασχηματιστής Όρασης Αυτο-εποπτευόμενος (SSL-ViT) εφαρμόζει στόχους αυτο-εποπτευόμενης προ-εκπαίδευσης — όπως η πρόβλεψη καλυμμένων τμημάτων (MAE) ή η αυτο-απόσταξη χωρίς ετικέτες (DINO) — στην αρχιτεκτονική του Μετασχηματιστή Όρασης, επιτρέποντας την εκμάθηση ισχυρών οπτικών αναπαραστάσεων από μεγάλες μη επισημασμένες συλλογές εικόνων πριν από οποιαδήποτε εξειδικευμένη λεπτομερή ρύθμιση.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Self-supervised Vision Transformer (SSL-ViT). ScholarGate. https://scholargate.app/el/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.
- Προσαρμοσμένος Όρασης ΜετασχηματιστήςΒαθιά Μάθηση↔ compare
- Multimodal Vision TransformerΒαθιά Μάθηση↔ compare
- Επιβλεπόμενο Συνελικτικό Νευρωνικό ΔίκτυοΒαθιά Μάθηση↔ compare
- Vision TransformerΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →