Vision Transformer (ViT) de ajuste fino

Vision Transformer (ViT) de ajuste fino adapta un gran modelo ViT preentrenado — que divide las imágenes en parches de tamaño fijo y los procesa a través de capas de autoatención — a una nueva tarea de clasificación o reconocimiento de imágenes utilizando un conjunto de datos etiquetado relativamente pequeño. Logra una precisión de vanguardia en visión por computadora al aprovechar las ricas representaciones aprendidas durante el preentrenamiento a gran escala.