Vision Transformer semi-supervisé
Le Vision Transformer semi-supervisé applique l'architecture d'auto-attention basée sur des patchs du ViT à des scénarios où seule une fraction des images est étiquetée, exploitant de vastes corpus non étiquetés par le biais de pseudo-étiquetage, de régularisation par cohérence ou de tâches prétextes auto-supervisées avant le réglage fin sur le petit ensemble étiqueté. Cette approche atteint une précision quasi-supervisée même lorsque les images étiquetées sont rares.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Vision Transformer (Semi-supervised ViT). ScholarGate. https://scholargate.app/fr/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.
- Transformeur Vision AjustéApprentissage profond↔ compare
- Classification d'imagesApprentissage profond↔ compare
- Vision Transformer auto-superviséApprentissage profond↔ compare
- Classification semi-supervisée basée sur BERTApprentissage profond↔ compare
- CNN convolutive semi-superviséeApprentissage profond↔ compare
- Vision TransformerApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →