在数据有限的情况下，CNN在树冠分割方面优于Transformer

研究人员使用仅包含150张图像的极小数据集，研究了YOLOv11、Mask R-CNN、DeepLabv3、Swin-UNet和DINOv2等五种不同深度学习架构在树冠分割任务上的有效性。他们的发现表明，在数据稀疏的情况下，预训练的卷积神经网络模型（特别是YOLOv11和Mask R-CNN）比基于Transformer的模型表现出更强的泛化能力。该研究表明，在没有大量预训练或增强的情况下，Transformer架构在极端数据稀缺的情况下难以应对，并强调了轻量级CNN在图像数据有限的任务中的持续可靠性。 AI

影响 证明了CNN在数据稀缺的特定任务中仍然具有竞争力，可能指导类似应用的模型的选择。

排序理由 学术论文，评估模型在特定任务上的性能，数据有限。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• arXiv
• DeepLabv3
• DINOv2
• Mask R-CNN
• Solafune Tree Canopy Detection competition
• Swin-UNet
• YOLOv11

• 论文
• 其他

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