ViT-B16

新架构利用自适应DCT和混合骨干网络解决稀有动物图像分类问题

一篇研究论文介绍了一种新颖的深度学习架构，旨在提高稀有动物物种的图像分类准确性，这些物种的数据本身就很少。所提出的混合框架结合了一个自适应离散余弦变换（DCT）预处理模块与Vision Transformer (ViT-B16) 和 ResNet50 骨干网络。该方法利用频域线索和空间表示，通过跨层融合策略在分类前将它们整合起来。