Zelf-gesuperviseerde Vision Transformer
Zelf-gesuperviseerde Vision Transformer (SSL-ViT) toepast zelf-gesuperviseerde voortrainingsdoelstellingen — zoals masked patch prediction (MAE) of self-distillation zonder labels (DINO) — op de Vision Transformer-architectuur, waardoor krachtige visuele representaties kunnen worden geleerd uit grote onbegeleide beeldcorpora vóór enige taakspecifieke fine-tuning.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Vision Transformer (SSL-ViT). ScholarGate. https://scholargate.app/nl/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.
- Fijn-afgestelde Vision TransformerDeep learning↔ compare
- Multimodale Vision TransformerDeep learning↔ compare
- Zelf-gesuperviseerd convolutie neuraal netwerkDeep learning↔ compare
- Transformator voor Visuele WaarnemingDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →