Machine learningDeep learning / NLP / CV
설명 가능한 비전 트랜스포머(Explainable Vision Transformer)
설명 가능한 비전 트랜스포머는 비전 트랜스포머(ViT)의 강력한 이미지 인식 성능과 관련성 전파(relevance propagation), 어텐션 롤아웃(attention rollout), 또는 그래디언트 가중치 어텐션(gradient-weighted attention)과 같은 속성 기법을 결합하여 각 예측을 유도하는 이미지 영역을 강조합니다. 이 접근 방식은 연구자와 실무자가 모델의 결정을 감사하고 정확도를 희생하지 않으면서 투명성 요구 사항을 충족할 수 있도록 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Chefer, H., Gur, S., & Wolf, L. (2021). Transformer interpretability beyond attention visualization. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 782–791. DOI: 10.1109/CVPR46437.2021.00084 ↗
- Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., … Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. In International Conference on Learning Representations (ICLR). link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Explainable Vision Transformer (XViT / ViT with Post-hoc Attribution). ScholarGate. https://scholargate.app/ko/deep-learning/explainable-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.
- 이미지 분류딥러닝↔ compare
- 멀티모달 비전 트랜스포머딥러닝↔ compare
- Self-supervised Vision Transformer딥러닝↔ compare
- Semantic segmentation딥러닝↔ compare
- Vision Transformer딥러닝↔ compare