Finomhangolt Vision Transformer

A Finomhangolt Vision Transformer (Fine-Tuned Vision Transformer) egy nagy, előre betanított ViT modell – amely a képeket fix méretű foltokra bontja, és azokat önfigyelő rétegeken keresztül dolgozza fel – adaptálása egy új képbesorolási vagy felismerési feladathoz, viszonylag kis címkézett adathalmaz felhasználásával. A számítógépes látás területén csúcsteljesítményt ér el azáltal, hogy kihasználja a nagyméretű előzetes betanítás során tanult gazdag reprezentációkat.