新的BMFA方法通过解决低估问题提高了Vision Transformer的准确性

研究人员开发了一种名为边界少数自由能自适应筛选（BMFA）的新方法，以解决Vision Transformer中的低估失败问题。当空间上小的、高响应的区域被块均值忽略时，就会发生这种失败，导致吉布斯质量计算不准确。BMFA构建了一个分层近似，该近似根据局部自由能增量递归地细化块。在COCO和ImageNet-1K等数据集上的实验表明，BMFA在保持高准确性的同时显著降低了低估。 AI

影响 这种新的筛选方法可能导致更高效、更准确的Vision Transformer模型，从而影响图像识别和分析任务。

排序理由 该集群包含一篇详细介绍改进Vision Transformer性能的新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• arXiv
• COCO
• DeiT-Tiny
• Gibbs mass
• Hugging Face
• ImageNet-1K
• Lvis
• Vision Transformers

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →