Domain-Adaptive Vision Transformer
Domain-Adaptive Vision Transformer (DA-ViT) pielieto domēna adaptācijas paņēmienus — piemēram, pretinieku saskaņošanu (adversarial alignment), pašmācīšanos (self-training) vai uzmanības līmeņa savienošanu (attention-level bridging) — virs iepriekš apmācīta Vision Transformer (ViT) pamata modeļa, lai pārnestu vizuālās zināšanas no marķēta avota domēna uz nemarķētu vai minimāli marķētu mērķa domēnu, samazinot sadalījuma nobīdi (distribution shift), kas ierobežo standarta ViT smalkā regulējuma (fine-tuning) efektivitāti.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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. International Conference on Learning Representations (ICLR). link ↗
- Yang, L., Balaji, Y., Lim, S. N., & Shrivastava, A. (2023). TVT: Transferable Vision Transformer for Unsupervised Domain Adaptation. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 520-530. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Domain-Adaptive Vision Transformer (DA-ViT). ScholarGate. https://scholargate.app/lv/deep-learning/domain-adaptive-vision-transformer
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Domenam pielāgotā BERT klasifikācijaDziļā mācīšanās↔ salīdzināt
- Konvolūciju neironu tīkls ar adaptāciju domēnaiDziļā mācīšanās↔ salīdzināt
- Pielāgotais Vision TransformerDziļā mācīšanās↔ salīdzināt
- Semantiskā segmentācijaDziļā mācīšanās↔ salīdzināt
- Vision TransformerDziļā mācīšanās↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →