HyperAIHyperAI

Command Palette

Search for a command to run...

CleanDIFT: ميزات الانتشار بدون ضوضاء

Nick Stracke Stefan Andreas Baumann Kolja Bauer Frank Fundel Björn Ommer

الملخص

تم مؤخرًا إثبات أن الخصائص الداخلية لنموذج التوزيع المدرب مسبقًا على نطاق واسع تُعد وصفات معنوية قوية لمجموعة واسعة من المهام اللاحقة. غالبًا ما تحتاج الأعمال التي تستفيد من هذه الخصائص إلى إضافة ضوضاء للصور قبل تمريرها عبر النموذج للحصول على الخصائص المعنوية، حيث لا يوفر النماذج أكثر الخصائص فائدة عند تقديم صور ذات ضوضاء قليلة أو معدومة. نوضح أن هذا الضوضاء له تأثير حاسم على فائدة هذه الخصائص، وهو تأثير لا يمكن علاجه عن طريق الجمع بين ضوضوات عشوائية مختلفة. نعالج هذه المشكلة من خلال تقديم طريقة تعديل دقيق غير مشرف عليها وخفيفة الوزن، مما يمكّن نماذج التوزيع الأساسية من توفير خصائص معنوية عالية الجودة وخالية من الضوضاء. نوضح أن هذه الخصائص تتفوق بسهولة على الخصائص المعنوية السابقة المستخرجة من النماذج التوزيعية بمقدار كبير في مجموعة متنوعة من إعدادات الاستخراج والمهام اللاحقة، مما يقدم أداءً أفضل حتى من طرق الجمع بين النماذج وبكلفة أقل بكثير.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp
CleanDIFT: ميزات الانتشار بدون ضوضاء | مستندات | HyperAI