مقاله ترانسفورمر بینایی طیفی برای توکن‌سازی کارآمد با داده‌های محدود
,

مقاله ترانسفورمر بینایی طیفی برای توکن‌سازی کارآمد با داده‌های محدود

تومان249,950

ما یک معماری ترنسفورمر بینایی طیفی جدید برای توکنیزاسیون کارآمد در داده‌های محدود، با تمرکز بر تصویربرداری پزشکی، ارائه می‌دهیم. خواص نظری مناسب ناشی از انتخاب پایه، از جمله ناوردایی مکانی و نسبت سیگن…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000350 دسته: ,

📚 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 توکن‌سازی کارآمد با 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 / 2605.12026v1

دسته: cs.CV,cs.AI,eess.SP

چکیده (فارسی)

ما یک معماری ترنسفورمر بینایی طیفی جدید برای توکنیزاسیون کارآمد در داده‌های محدود، با تمرکز بر تصویربرداری پزشکی، ارائه می‌دهیم. خواص نظری مناسب ناشی از انتخاب پایه، از جمله ناوردایی مکانی و نسبت سیگنال به نویز بهینه را تشریح می‌کنیم. پیچیدگی کاهش یافته ناشی از پروجکشن طیفی را در مقایسه با ترنسفورمرهای بینایی مکانی نشان می‌دهیم. عملکرد برابر یا برتر را با تعداد پارامترهای کمتر در مقایسه با مدل‌های مختلف از جمله ترنسفورمرهای بینایی فشرده و استاندارد، شبکه‌های عصبی کانولوشنی 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 زیر منتشر می‌کنیم: verb+github.com/agr78/spectralViT+.

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+.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله ترانسفورمر بینایی طیفی برای توکن‌سازی کارآمد با داده‌های محدود”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا