Vision Transformer i Përshtatur (Fine-Tuned Vision Transformer)

Ky model përshtat një model të madh të parë-trajnuar ViT — i cili i ndan imazhet në pjesë me madhësi fikse dhe i përpunon ato përmes shtresave të vetë-vëmendjes — për një detyrë të re klasifikimi ose njohjeje imazhesh duke përdorur një dataset të etiketuar relativisht të vogël. Ai arrin saktësi të nivelit më të lartë në vizionin kompjuterik duke shfrytëzuar përfaqësimet e pasura të mësuara gjatë parë-trajnimin në shkallë të gjerë.