PulseAugur
中
实时 14:56:25
English(EN) Pretraining Objective Matters in Extreme Low-Data FGVC: A Backbone-Controlled Study

预训练目标影响低数据图像分类

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新的arXiv研究调查了在极低数据细粒度分类任务中，不同预训练目标对视觉编码器性能的影响。研究人员使用了一个包含祖母绿内含物图像的自定义数据集，比较了四种冻结的ViT-B/16编码器，这些编码器分别使用监督分类、对比学习（SigLIP2）、掩码重构（MAE）和自蒸馏（DINOv3）进行训练。研究结果表明，监督学习和对比学习方法在线性可分性方面表现最佳，而MAE在非线性探测方面表现更好。DINOv3在此特定领域表现不佳。 AI

影响 为数据稀缺的细粒度视觉分类场景选择预训练方法提供了实践指导。

排序理由 学术论文，详细介绍了关于模型预训练目标的受控研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

预训练目标影响低数据图像分类

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Jason Fisher ·

    Pretraining Objective Matters in Extreme Low-Data FGVC: A Backbone-Controlled Study

    Extreme low-data fine-grained classification is common in expert domains where labeling is expensive, yet practitioners still need principled guidance for selecting pretrained encoders. We study emerald inclusion grading with a custom dataset of labeled images across three classe…

相关实体

相关话题