百科问答小站 logo
百科问答小站 font logo



如何理解 Swin Transformer 和 Vision Transformer不同任务上的差异? 第1页

  

user avatar    网友的相关建议: 
      

基于个人经验说个,vit的方案在疏松的数据上不行,比如sketch、colormap。

以前只是基于猜想,前段时间做了实验测试。16x16和直接的projection对于大部分自然数据的确是足够的,但是有些数据就是不够。具体可以拿16x16的格子对着数据比较。如果格子间的内容数据几乎差不多,那么就很依赖来自位置的global推理了,对数据增强和数据量都有要求。我猜flower可能就有这样的情况。而imagenet-skhtch的sketch不够稀疏,去掉shade可能就不一样了(似乎又可以搞篇文章)。

另外数据任务对global和local任务要求的情况也有关,但是这个衡量起来就比较难说清楚了。

我自己用的解决方法是,conv downsampling取代projection,然后配合数据稠密化,效果就好了。


user avatar   xiaohuzc 网友的相关建议: 
      

在大规模数据集上训练,应该vit的优势可能会显现出来,毕竟swin只是一种local attention net,理论上建模效果会比vit这种global attention net要差一些。




  

相关话题

  为什么有些学数学的看不惯甚至鄙视 Deep Learning? 
  大三电子类专业要分流,大家能给个建议吗? 
  UCLA 的朱松纯教授是一个什么样的人? 
  图片上训的模型,怎么迁移视频上呢? 
  人工智能的意义和价值是什么? 
  结合深度学习的图像修复怎么实现? 
  如何看待MXNet在CVPR2017上公布的gluon接口? 
  能否使用区块链的算力来解决深度学习训练? 
  2020到2021年小样本学习取得重大进展了吗? 
  贝叶斯深度学习是什么,和传统神经网络有何不同? 

前一个讨论
在长城汽车工作是种怎样的体验?
下一个讨论
结合深度学习的图像修复怎么实现?





© 2025-04-24 - tinynew.org. All Rights Reserved.
© 2025-04-24 - tinynew.org. 保留所有权利