# ImageNetファインチューニング

ConvNeXt-V2ベースの自己教師あり特徴表現モデルで、全畳み込みマスク自己符号化器フレームワーク(FCMAE)を使用して事前学習されており、画像特徴抽出やファインチューニングタスクに適しています。

Swin Transformer v2は、階層的特徴マップとローカルウィンドウ自己注意メカニズムにより、効率的な画像分類と密な認識タスクを実現するビジョントランスフォーマーモデルです。

Data2Vec-VisionはBEiTアーキテクチャに基づく自己教師あり学習モデルで、ImageNet-1kデータセットでファインチューニングされており、画像分類タスクに適しています。

Data2Vec-VisionはBEiTアーキテクチャに基づく自己教師あり学習の視覚モデルで、ImageNet-1kデータセットでファインチューニングされており、画像分類タスクに適しています。

ImageNet-1kで訓練されたRegNet画像分類モデル、自己教師あり事前学習とファインチューニング手法を採用

imagenet-1kで訓練されたRegNetモデル、自己教師あり方式で数十億枚のランダムなウェブ画像で事前学習後にファインチューニング

ConvNeXTは純粋な畳み込みモデルで、視覚Transformerの設計に触発され、ImageNet-22kで事前学習され、ImageNet-1kでファインチューニングされ、従来のTransformerを凌駕する性能を発揮します。

ビジョントランスフォーマー（ViT）は、トランスフォーマーアーキテクチャに基づく画像分類モデルで、最初にImageNet-21kで事前学習され、その後ImageNetでファインチューニングされます。

Vision Transformer（ViT）はTransformerアーキテクチャに基づく画像分類モデルで、最初にImageNet-21kで事前トレーニングされ、その後ImageNetでファインチューニングされます。

ImageNet - 21kで事前学習し、ImageNetでファインチューニングしたビジュアルトランスフォーマーモデルで、画像分類タスクに使用されます。

BEiTは画像トランスフォーマーに基づく視覚モデルで、BERTのような自己教師あり事前学習手法を採用し、最初にImageNet-22kで事前学習とファインチューニングを行い、その後ImageNet-1kでさらにファインチューニングを行います。

Vision Transformer（ViT）はTransformerアーキテクチャに基づく画像分類モデルで、ImageNet-21kとImageNetデータセットで事前学習とファインチューニングを行い、効率的な画像認識能力を実現しています。

BEiTはビジュアルトランスフォーマーに基づく画像分類モデルで、ImageNet-21kで自己教師あり方式で事前学習され、ImageNet-1kでファインチューニングされています。