Verklaarbare Vision Transformer
Verklaarbare Vision Transformer combineert de sterke beeldherkenningsprestaties van Vision Transformers (ViT) met attributietechnieken — zoals relevantiepropagatie, attention rollout, of gradient-gewogen attention — die benadrukken welke beeldregio's elke voorspelling aansturen. De aanpak stelt onderzoekers en praktijkmensen in staat modelbeslissingen te auditen en transparantieverplichtingen na te komen zonder nauwkeurigheid op te offeren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable Vision Transformer (XViT / ViT with Post-hoc Attribution). ScholarGate. https://scholargate.app/nl/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.
- BeeldclassificatieDeep learning↔ compare
- Multimodale Vision TransformerDeep learning↔ compare
- Zelf-gesuperviseerde Vision TransformerDeep learning↔ compare
- Semantische segmentatieDeep learning↔ compare
- Transformator voor Visuele WaarnemingDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →