SoftMoR递归视觉Transformer发布
热点事件持续更新
SoftMoR递归视觉Transformer发布
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Sang In Lee和Jihun Park提出Soft Mixture-of-Recursions (SoftMoR)方法，并将其实例化为软递归视觉Transformer (SR-ViT)。该方法通过学习词级权重，有效整合递归步骤中的多阶段表示。 最新验证显示，将递归深度从T=1增至T=3，SR-ViT在ImageNet-1K数据集上的Top-1准确率由79.83%提升至82.45%，而模型参数仅增加1.1M，展现了高效递归扩展能力。
AI 根据报道生成 · 48 分钟前更新
最新进展11月2日 13:00
SR-ViT报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · MLSR-ViT
SR-ViT将递归深度从T=1增至T=3，ImageNet-1K Top-1准确率由79.83%升至82.45%，仅增加1.1M参数。 SoftMoR学习词级权重整合多阶段表示，实现高效递归扩展。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。