محققان در تازهترین دستاورد خود، مدل جدیدی به نام VisionScreen را معرفی کردهاند که میتواند جایگزین بهینهتری برای Vision Transformer (ViT)های سنتی باشد.
مدلهای فعلی در پردازش تصاویر، گاهی با دادههای اضافی و نویز پسزمینه درگیر میشوند. VisionScreen با الهام از تکنیک «Screening» در مدلهای زبانی، یاد گرفته است که پچهای غیرضروری تصویر را به صورت مستقل فیلتر کرده و تنها روی بخشهای واقعاً مرتبط تمرکز کند.
نتیجه؟ دقت بالاتر در تشخیص تصویر و کاهش محاسبات غیرضروری. این پیشرفت میتواند راه را برای توسعه مدلهای بینایی ماشین سریعتر و هوشمندتر هموار کند. 🚀
منبع: arXiv Computer Vision