Glossaryに戻る
Transformer視覚バックボーン
コンピュータビジョンパイプラインの特徴抽出バックボーンとしてVision Transformer（ViT）を使用します。CNNバックボーンと比較して、ViTバックボーンは自己注意を介して画像パッチ間の長距離依存性をモデル化し、大規模データセットで優れたパフォーマンスを提供します。これらは最新の検出（DINO-DETR）、セグメンテーション（Mask2Former）、およびVLAモデルのデフォルトバックボーンです。
コンピュータビジョンパイプラインの特徴抽出バックボーンとしてVision Transformer（ViT）を使用します。CNNバックボーンと比較して、ViTバックボーンは自己注意を介して画像パッチ間の長距離依存性をモデル化し、大規模データセットで優れたパフォーマンスを提供します。これらは最新の検出（DINO-DETR）、セグメンテーション（Mask2Former）、およびVLAモデルのデフォルトバックボーンです。