Svakt veiledet Vision Transformer
Svakt veiledet Vision Transformer (WS-ViT) trener en Vision Transformer på bildedata som mangler presise pikselnivåannotasjoner, og bruker i stedet billigere, mer støyende veiledning som bildenivå klassetagger, avgrensningsbokser eller web-skrapte tekster. Transformerens globale selv-oppmerksomhetsmekanisme gjør den spesielt kapabel til å lokalisere objekter og lære diskriminerende trekk fra disse ufullstendige etikettene.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An image is worth 16x16 words: Transformers for image recognition at scale. In International Conference on Learning Representations (ICLR). link ↗
- Zhou, Z.-H. (2022). A brief introduction to weakly supervised learning. National Science Review, 5(1), 44–53. DOI: 10.1093/nsr/nwx106 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Weakly Supervised Vision Transformer (WS-ViT). ScholarGate. https://scholargate.app/no/deep-learning/weakly-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.
- KunnskapsdestillasjonDyp læring↔ compare
- Selv-supervisert læringMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
- Vision TransformerDyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →