MAPress
مقاله ترانسفورمر بینایی طیفی برای توکنایز کردن کارآمد در داده‌های محدود

مقاله ترانسفورمر بینایی طیفی برای توکنایز کردن کارآمد در داده‌های محدود

ما یک معماری ترنسفورمر بینایی طیفی جدید برای توکنیزاسیون کارآمد در داده‌های محدود، با تمرکز بر تصویربرداری پزشکی، ارائه می‌دهیم. ما ویژگی‌های نظری مناسبی را که از انتخاب پایه ناشی می‌شوند، از جمله ناو...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

ترانسفورمر بینایی طیفی برای توکنایز کردن کارآمد در داده‌های محدود

Spectral Vision Transformer for Efficient Tokenization with Limited Data

نویسندگان: Alexandra G. Roberts, Maneesh John, Jinwei Zhang, Dominick Romano, Mert Sisman, Ki Sueng Choi, Heejong Kim, Mert R. Sabuncu, Thanh D. Nguyen, Alexey V. Dimov, Pascal Spincemaille, Brian H. Kopell, Yi Wang

شناسه منبع: arxiv / 2605.12026

دسته: Computer Vision and Pattern Recognition,Artificial Intelligence,Signal Processing

چکیده (فارسی)

ما یک معماری ترنسفورمر بینایی طیفی جدید برای توکنیزاسیون کارآمد در داده‌های محدود، با تمرکز بر تصویربرداری پزشکی، ارائه می‌دهیم. ما ویژگی‌های نظری مناسبی را که از انتخاب پایه ناشی می‌شوند، از جمله ناوردایی فضایی و نسبت سیگنال به نویز بهینه، تشریح می‌کنیم. ما پیچیدگی کاهش یافته ناشی از پروجکشن طیفی را در مقایسه با ترنسفورمرهای بینایی فضایی نشان می‌دهیم. ما عملکرد برابر یا برتر را با تعداد پارامترهای کمتر در مقایسه با مدل‌های مختلف از جمله ترنسفورمرهای بینایی فشرده و استاندارد، شبکه‌های عصبی کانولوشنال با توجه، ترنسفورمرهای پنجره شیفت‌یافته، پرسپترون‌های چندلایه و رگرسیون لجستیک نشان می‌دهیم. ما داده‌های شبیه‌سازی شده، عمومی و بالینی را در تحلیل خود گنجانده‌ایم و کد خود را در آدرس verb+github.com/agr78/spectralViT+ منتشر می‌کنیم.

Abstract (English)

We propose a novel spectral vision transformer architecture for efficient tokenization in limited data, with an emphasis on medical imaging. We outline convenient theoretical properties arising from the choice of basis including spatial invariance and optimal signal-to-noise ratio. We show reduced complexity arising from the spectral projection compared to spatial vision transformers. We show equitable or superior performance with a reduced number of parameters as compared to a variety of models including compact and standard vision transformers, convolutional neural networks with attention, shifted window transformers, multi-layer perceptrons, and logistic regression. We include simulated, public, and clinical data in our analysis and release our code at: verb+github.com/agr78/spectralViT+.

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.