Vision Transformer з доналаштуванням
Fine-Tuned Vision Transformer адаптує велику попередньо навчену модель ViT — яка розбиває зображення на патчі фіксованого розміру та обробляє їх через шари самостійної уваги — для нового завдання класифікації чи розпізнавання зображень з використанням відносно невеликого розміченого набору даних. Вона досягає найвищої точності в комп'ютерному зорі, використовуючи багаті представлення, отримані під час масштабного попереднього навчання.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
+ще 4
Джерела
- 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 2021). link ↗
- Zhai, X., Kolesnikov, A., Houlsby, N., & Beyer, L. (2022). Scaling Vision Transformers. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2022), pp. 12104-12113. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Fine-Tuned Vision Transformer (ViT with Task-Specific Adaptation). ScholarGate. https://scholargate.app/uk/deep-learning/fine-tuned-vision-transformer
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Класифікація на основі BERTГлибоке навчання↔ порівняти
- Тонке налаштування згорткової нейронної мережі (CNN)Глибоке навчання↔ порівняти
- Класифікація зображеньГлибоке навчання↔ порівняти
- Семантична сегментаціяГлибоке навчання↔ порівняти
- Трансформер для комп'ютерного зоруГлибоке навчання↔ порівняти
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →