基于预训练 CNN 和 ViT 特征的结合：另一个令人惊叹的识别基准线
原文中文，约500字，阅读约需1分钟。发表于：。我们应用预先训练的架构， 原本用于 ImageNet 大规模视觉识别挑战，进行目视检测。这些架构在不同计算机视觉任务中取得了显著的成功。本研究在我们之前的使用现成卷积神经网络（CNN）的研究基础上，还引入了最近提出的 Vision Transformers（ViT）。尽管它们是用于泛化物体分类的训练，但从 CNN 和 ViT 的中间层特征可以适合用于基于目视图像的个体识别。我们还证明了...
本研究成功地将预先训练的Vision Transformers（ViT）应用于目视检测，并证明了与CNN的互补性。预先训练模型的一小部分在资源有限的环境中也能达到良好准确性。通过添加传统手工制作的特征，算法效率进一步提高。
