タグ: #Swin

← すべての記事

• Vision Transformer: 画像を16×16のパッチの文章として読む、そしてデータが多く必要な理由

  文章を読んでいたTransformerで画像を読み込むViT（2021年）の原理を見ていきます。画像を16×16のパッチに切り分けて単語のように並べ、自己注意（Self-Attention）であらゆるパッチのペアの関係を見ます。「パッチに切り分けて線形変換する」ことがストライド16の畳み込みと全く同じであること、位置埋め込み（Position Embedding）がなければモデルがパッチの順序を全く分からないこと、解像度を2倍に増やすと

  2026-10-17 · 13 分で読めます #비전 모델#ViT#트랜스포머#셀프 어텐션#위치 임베딩