« Architecture prédictive à vecteurs sémantiques joints pour les images » : différence entre les versions
m (Claude COULOMBE a déplacé la page Image Joint Embedding Predictive Architecture vers Architecture prédictive à plongements joints pour les images) |
Aucun résumé des modifications |
||
(5 versions intermédiaires par 2 utilisateurs non affichées) | |||
Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
Architecture ou modèle qui apprend en créant un représentation interne (représentation latente ou espace latent) du monde extérieur permettant la comparaison de représentations abstraites d’images. L' | Architecture ou modèle qui apprend en créant un représentation sémantique interne (représentation latente ou espace latent) du monde extérieur permettant la comparaison de représentations abstraites d’images. L'APPVSJ-I offre de bonnes performances dans la réalisation de plusieurs tâches de [[vision artificielle]]. | ||
== Compléments == | == Compléments == | ||
L'architecture | L'architecture prédictive à vecteurs sémantiques joints, proposée par la société Meta, serait plus efficace en termes de calcul que d'autres modèles courants de vision artificielle et s'adapterait plus facilement à des situations inconnues. | ||
== Français == | == Français == | ||
'''architecture prédictive à | '''architecture prédictive à vecteurs sémantiques joints pour les images''' | ||
'''APPVSJ-I''' | |||
'''modèle prédictif à plongements joints pour les images''' | '''modèle prédictif à plongements joints pour les images''' | ||
Ligne 17 : | Ligne 19 : | ||
'''I-JEPA''' | '''I-JEPA''' | ||
<!--Learns by creating an internal model of the outside world, which compares abstract representations of images (rather than comparing the pixels themselves). I-JEPA delivers strong performance on multiple computer vision tasks, and it’s much more computationally efficient than other widely used computer vision models. The representations learned by I-JEPA can also be used for many different applications without needing extensive fine tuning.--> | <!--Learns by creating an internal model of the outside world, which compares abstract representations of images (rather than comparing the pixels themselves). I-JEPA delivers strong performance on multiple computer vision tasks, and it’s much more computationally efficient than other widely used computer vision models. The representations learned by I-JEPA can also be used for many different applications without needing extensive fine tuning.-->==Sources== | ||
[https://ai.facebook.com/blog/yann-lecun-ai-model-i-jepa Source : meta] | [https://ai.facebook.com/blog/yann-lecun-ai-model-i-jepa Source : meta] | ||
Ligne 27 : | Ligne 27 : | ||
[https://project.inria.fr/bigvisdata/files/2021/01/cours10.pdf Source: INRIA] | [https://project.inria.fr/bigvisdata/files/2021/01/cours10.pdf Source: INRIA] | ||
[[Catégorie: | [[Catégorie:GRAND LEXIQUE FRANÇAIS]] |
Dernière version du 6 juillet 2024 à 11:06
Définition
Architecture ou modèle qui apprend en créant un représentation sémantique interne (représentation latente ou espace latent) du monde extérieur permettant la comparaison de représentations abstraites d’images. L'APPVSJ-I offre de bonnes performances dans la réalisation de plusieurs tâches de vision artificielle.
Compléments
L'architecture prédictive à vecteurs sémantiques joints, proposée par la société Meta, serait plus efficace en termes de calcul que d'autres modèles courants de vision artificielle et s'adapterait plus facilement à des situations inconnues.
Français
architecture prédictive à vecteurs sémantiques joints pour les images
APPVSJ-I
modèle prédictif à plongements joints pour les images
APPJ-I
Anglais
image joint embedding predictive architecture
I-JEPA
Sources
Contributeurs: Claude Coulombe, Patrick Drouin, wiki
![](/wiki/annonces/DF annonce FB.jpg)