محول الرؤية (ViT)
Vision Transformer (ViT)
يطبق Transformer على الصور بتقسيمها إلى رقع 16×16 ومعاملتها كرموز.
المعمارية
مرمّز Transformer على متتالية رقع مع رمز تصنيف.
القيود
يحتاج بيانات تدريب مسبق كبيرة ليتفوق على الشبكات الالتفافية.
عناصر مرتبطة
طوّره
يستند إلى
- محوّل الرؤية معمارية · 2020المصدر: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale
خريطة المعرفة لهذا العنصر
افتح بالحجم الكاملالمصادر والمراجع العلمية
- Alexey Dosovitskiy; Lucas Beyer; Alexander Kolesnikov; ... (12) (2020). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. arXiv, 2010.11929. DOI: 10.48550/arXiv.2010.11929 · arXiv: 2010.11929
يدعم: الورقة الأصلية 2020
