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

  如何评价Google发布的第二代深度学习系统TensorFlow? 
  深度学习在生物信息领域有什么应用? 
  科研时,想到一个idea,其实现的结果一定要比前人的评估指标高才能发表吗? 
  医学生学习机器学习该如何入门? 
  编程达到什么水平才能编写出像caffe这样的深度学习框架? 
  基于深度学习的自然语言处理在 2016 年有哪些值得期待的发展? 
  基于计算机视觉从一张图片重建人体的三维网格,能否获取腰围、胸围、臂长、腿长等数据? 
  机器学习小白来提问:关于联邦学习FedAVG和FedSGD的问题? 
  如何评价最近火热的对比学习,会引领预训练模型新的范式嘛? 
  实验室只有1080的显卡,老师还想让发深度学习论文,也不给配置好的显卡怎么办? 

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?





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