Sözlüğe Dön/Bilgisayarlı Görü, Çok Modlu ve Üretken Yapay Zekâ/Swin Transformer
#299 Vision Transformer (ViT)#301 Generative Adversarial Network (GAN)
Madde #300Görü & Multimodal/sozluk/swin-transformer

Swin Transformer

Swin Transformer (Shifted Window Transformer / Liu et al., Microsoft 2021)

Türkçe: Kaydırılmış Pencereli Görsel Dönüştürücü
Ayrıntılı Tanım
ViT'in tüm resme aynı anda bakmasından kaynaklanan karesel hesaplama karmaşıklığını (O(N2)O(N^2)); dikkati yerel pencerelerle sınırlayan ve katmanlar arasında **pencereleri kaydırarak (shifted windows)** doğrusal maliyetle (O(N)O(N)) çalışan hiyerarşik modeldir.
Ne İşe Yarar / Çözülen Problem
Orijinal ViT'in aşırı yavaş olması ve nesne tespiti veya yoğun bölütleme gibi devasa çözünürlüklü görevlerde bellek patlaması yaşamasını çözer.
Nasıl Çalışır? (Teknik & Mekanizma)
Dikkat sadece izole M×MM \times M'lik pencereler içinde hesaplanır. Bir sonraki katmanda pencerelerin sınırları birkaç piksel kaydırılarak (Shifted Window) komşu pencereler arasında bilgi geçişi sağlanır; katmanlar derinleştikçe yamalar birleşerek piramit oluşturur.
Örnek Senaryo & Pratik Uygulama
Bir binanın tüm tuğlalarını aynı anda birbirine bağlamak yerine; önce 4'erli tuğla bloklarını harçlamak, sonra bir sonraki sırada derzleri kaydırarak duvarı örmek.
Benzer Terimlerden Farkı
Standart ViT sabit çözünürlüklü tek katmanlı bir blok iken; Swin Transformer tıpkı CNN'ler gibi hiyerarşik ve çok ölçekli bir piramit yapısına sahiptir.
İlişkili Terimler (3)
#299
Vision Transformer (ViT)
Görsel Dönüştürücü / Görüntü Transformer'ı
#171
Sliding-Window Attention
Kayan Pencereli Dikkat
#281
Residual Network (ResNet)
Artık Ağ / ResNet
Ait Olduğu Kategori

Bilgisayarlı Görü, Çok Modlu ve Üretken Yapay Zekâ

CNN, Vision Transformers (ViT), Diffusion, GAN, VAE ve Multimodal modeller.

Toplam Terim:53 Madde
Bu Kategorideki Tüm Terimleri Gör →
Önceki Terim (#299)Vision Transformer (ViT)
Sonraki Terim (#301)Generative Adversarial Network (GAN)