Efficiënte aanpassing van Vision Transformers voor onderwaterakoestiek
Onderzoekers passen DINOv3 Vision Transformers toe op automatische doelherkenning via synthetische apertuursonar met behulp van Low-Rank Adaptation. Een meerfasige aanpak helpt om de kloof te overbruggen tussen getrainde natuurlijke beelden en onderwaterdata.
Het analyseren van onderwaterbeelden via synthetische apertuursonar is complex vanwege schaarse trainingsdata en storende achtergronden. Om visuele modellen geschikt te maken voor dit specialistische domein, is een parameter-efficiënt raamwerk ontworpen dat gebruikmaakt van Low-Rank Adaptation.
In de eerste fase wordt het kernmodel bevroren terwijl LoRA wordt toegepast om de overgang te maken van standaard beelden naar onderwaterdata. Vervolgens wordt het systeem verder aangescherpt. Dit soort toepassingen laten zien hoe bestaande computer vision-technieken uit bredere AI-onderzoeksdomeinen worden aangepast voor specifieke industriële en maritieme doeleinden.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.AI). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel