Vision Transformer Explicabil
Vision Transformer Explicabil combină performanța robustă de recunoaștere a imaginilor a Vision Transformers (ViT) cu tehnici de atribuire — cum ar fi propagarea relevanței, rularea atenției (attention rollout) sau atenția ponderată prin gradient — care evidențiază ce regiuni ale imaginii determină fiecare predicție. Abordarea permite cercetătorilor și practicienilor să auditeze deciziile modelului și să îndeplinească cerințele de transparență fără a sacrifica acuratețea.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Explainable Vision Transformer (XViT / ViT with Post-hoc Attribution). ScholarGate. https://scholargate.app/ro/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.
- Clasificarea ImaginilorÎnvățare profundă↔ compare
- Transformer Vizual MultimodalÎnvățare profundă↔ compare
- Vision Transformer auto-supervizatÎnvățare profundă↔ compare
- Segmentare semanticăÎnvățare profundă↔ compare
- Vision TransformerÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →