Subtoken Vision Transformer para Reconhecimento de Granularidade Fina

arXiv:2607.09086v1 Tipo de anúncio: novo Resumo: Apresentamos o Subtoken Vision Transformer (SubViT), um método de tokenização seletiva de imagens para reconhecimento visual de granularidade fina. Os Vision Transformers padrão comprimem cada patch de tamanho fixo em um único token, embora as distinções de granularidade fina frequentemente dependam de variações localizadas em apenas alguns poucos patches. O SubViT aborda essa incompatibilidade representando patches discriminativos com múltiplos subtokens, ao mesmo tempo em que retém a sequência original de tokens para o contexto global...