Samonadzorovani Vision Transformer
Samonadzorovani Vision Transformer (SSL-ViT) primjenjuje ciljeve samonadzorovanog predobučavanja — kao što su predviđanje zamaskiranih dijelova (MAE) ili samoučenje bez oznaka (DINO) — na arhitekturu Vision Transformer, omogućujući učenje snažnih vizualnih reprezentacija iz velikih korpusa neoznačenih slika prije bilo kakvog prilagođavanja specifičnom zadatku.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Vision Transformer (SSL-ViT). ScholarGate. https://scholargate.app/hr/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.
- Prilagođeni Vision TransformerDuboko učenje↔ compare
- Multimodalni vizualni transformerDuboko učenje↔ compare
- Konvolucijska neuronska mreža sa samostalnim nadzoromDuboko učenje↔ compare
- Vision TransformerDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →