Självövervakad Vision Transformer
Självövervakad Vision Transformer (SSL-ViT) tillämpar självövervakade förträningsobjektiv — såsom maskerad patch-prediktion (MAE) eller självdestillering utan etiketter (DINO) — på Vision Transformer-arkitekturen, vilket möjliggör inlärning av kraftfulla visuella representationer från stora oetiketterade bildkorpusar före någon uppgiftsspecifik finjustering.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Self-supervised Vision Transformer (SSL-ViT). ScholarGate. https://scholargate.app/sv/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.
- Finjusterad Vision TransformerDjupinlärning↔ compare
- Multimodal Vision TransformerDjupinlärning↔ compare
- Självövervakad faltningsnätverkDjupinlärning↔ compare
- Vision TransformerDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →