Derniers articles pour Transformateurs de vision

CS-Mixer propose une nouvelle façon de traiter les images en combinant des infos de différentes échelles.

Une nouvelle méthode améliore la détection de points de repère en masquant les distractions dans les images.

Cette étude examine comment le suivi oculaire améliore la performance des Vision Transformers dans les tâches de conduite.

Une nouvelle approche améliore la compréhension du contact de la main avec des objets flexibles dans la technologie.

Explorer de nouvelles technologies pour la détection précoce des maladies pulmonaires grâce à l'imagerie médicale.

Un Vision Transformer hybride améliore l'analyse des données EEG et la prédiction des mouvements oculaires.

Découvrez des méthodes pour rendre les Vision Transformers plus efficaces pour des applications concrètes.

Cette étude explore des techniques d'adaptation de domaine pour l'apprentissage profond sur des données chiffrées.

Une analyse des CNN et des Vision Transformers pour la détection hors domaine.

De nouvelles techniques améliorent les Vision Transformers pour de meilleures performances avec des petits jeux de données.

Des recherches révèlent une nouvelle méthode pour analyser les images du cerveau en utilisant l'auto-supervision.

IA-ViT améliore la qualité des explications dans les tâches visuelles.

Cet article examine les biais de genre dans les Vision Transformers par rapport aux CNN.

Une nouvelle approche pour améliorer les Vision Transformers pour les appareils mobiles.

EfficientFormer améliore les performances du Go sur ordinateur en utilisant une architecture de transformer.

Une nouvelle méthode améliore le fine-tuning des vision transformers, réduisant les besoins en calcul.

ChannelViT améliore l'analyse d'images multi-canaux complexes dans différents domaines.

Nouveau jeu de données et méthode améliorent la précision et l'efficacité de l'analyse des façades.

FLIP améliore les systèmes anti-spoofing facial en utilisant des transformateurs de langage et de vision.

Recherche sur l'amélioration de l'estimation de la posture humaine grâce à des ensembles de données variés et à l'agrandissement des modèles.

Une nouvelle méthode améliore la sécurité des Vision Transformers contre les attaques adverses.

Cet article parle des méthodes pour réduire les artefacts de bruit dans les Vision Transformers pour améliorer la qualité des caractéristiques.

Une nouvelle méthode améliore les performances des Vision Transformers dans les tâches de reconnaissance d'images.

TRIPS améliore l'efficacité des tâches vision-langage en sélectionnant les morceaux d'images pertinents.

SHViT améliore l'efficacité et la rapidité des Transformers de Vision pour les tâches de vision par ordinateur.

MolNexTR améliore la reconnaissance des structures chimiques à partir d'images grâce à des techniques avancées.

Comprendre la robustesse des modèles est super important pour les applis dans plein de domaines.

Cet article parle des avantages de RoPE pour les Vision Transformers dans différentes tâches.

LiFT améliore les Vision Transformers pour les tâches d'image détaillées de manière efficace.

HEAL-ViT combine des Vision Transformers et des maillages sphériques pour améliorer les prévisions météo.

Présentation de ME-ViT, un accéléérateur FPGA économe en mémoire pour les Vision Transformers.

Une nouvelle méthode améliore les performances des Vision Transformers sur des ensembles de données déséquilibrés.

Les Vision Transformers utilisent l'auto-attention pour améliorer la perf dans des tâches de vision par ordinateur.

Une nouvelle méthode d'IA améliore le diagnostic cardiovasculaire grâce à des techniques d'imagerie avancées.

Les Vision Transformers améliorent l'analyse d'images dans la recherche scientifique.

Cette étude explore le potentiel des modèles de fond pour l'analyse des données satellites.

Cet article parle d'améliorer les Vision Transformers légers en utilisant la modélisation d'images masquées.

Explore l'essor et l'efficacité des Vision Transformers dans le traitement d'images.

Une nouvelle méthode améliore la précision du diagnostic en imagerie médicale grâce à un apprentissage ciblé.

Une nouvelle approche améliore la capacité de l'IA à apprendre à partir de quelques exemples.