Buchumschlag

Enhancing Transformer-Based Vision Models: Addressing Feature Map Anomalies Through Novel Optimization Strategies

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Mamtani, Sumit
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fine-Grained Classification: Connecting Metadata via Cross-Contrastive Pre-Training
von: Mamtani, Sumit, et al.
Veröffentlicht: (2025)

Axial-UNet: A Neural Weather Model for Precipitation Nowcasting
von: Mamtani, Sumit, et al.
Veröffentlicht: (2025)

AnomalyVFM -- Transforming Vision Foundation Models into Zero-Shot Anomaly Detectors
von: Fučka, Matic, et al.
Veröffentlicht: (2026)

Enhancing Vision-Language Models Generalization via Diversity-Driven Novel Feature Synthesis
von: Yan, Siyuan, et al.
Veröffentlicht: (2024)

Multimodal Industrial Anomaly Detection by Crossmodal Feature Mapping
von: Costanzino, Alex, et al.
Veröffentlicht: (2023)

Novel Anomaly Detection Scenarios and Evaluation Metrics to Address the Ambiguity in the Definition of Normal Samples
von: Saito, Reiji, et al.
Veröffentlicht: (2026)

Vision-Language Feature Alignment for Road Anomaly Segmentation
von: He, Zhuolin, et al.
Veröffentlicht: (2026)

Modulate-and-Map: Crossmodal Feature Mapping with Cross-View Modulation for 3D Anomaly Detection
von: Costanzino, Alex, et al.
Veröffentlicht: (2026)

Enhancing Brain Tumor Classification Using Vision Transformers with Colormap-Based Feature Representation on BRISC2025 Dataset
von: Ahmed, Faisal
Veröffentlicht: (2026)

ReViT: Enhancing Vision Transformers Feature Diversity with Attention Residual Connections
von: Diko, Anxhelo, et al.
Veröffentlicht: (2024)

Distillation Dynamics: Towards Understanding Feature-Based Distillation in Vision Transformers
von: Tian, Huiyuan, et al.
Veröffentlicht: (2025)

A Feature Shuffling and Restoration Strategy for Universal Unsupervised Anomaly Detection
von: Luo, Wei, et al.
Veröffentlicht: (2026)

AddressCLIP: Empowering Vision-Language Models for City-wide Image Address Localization
von: Xu, Shixiong, et al.
Veröffentlicht: (2024)

Fusion of Foundation and Vision Transformer Model Features for Dermatoscopic Image Classification
von: Mahbod, Amirreza, et al.
Veröffentlicht: (2025)

Optimizing Vision-Language Interactions Through Decoder-Only Models
von: Tanaka, Kaito, et al.
Veröffentlicht: (2024)

Addressing Overthinking in Large Vision-Language Models via Gated Perception-Reasoning Optimization
von: Diao, Xingjian, et al.
Veröffentlicht: (2026)

Enhancing Feature Diversity Boosts Channel-Adaptive Vision Transformers
von: Pham, Chau, et al.
Veröffentlicht: (2024)

Language-Assisted Feature Transformation for Anomaly Detection
von: Yun, EungGu, et al.
Veröffentlicht: (2025)

AFR-CLIP: Enhancing Zero-Shot Industrial Anomaly Detection with Stateless-to-Stateful Anomaly Feature Rectification
von: Yuan, Jingyi, et al.
Veröffentlicht: (2025)

Enhancing Features in Long-tailed Data Using Large Vision Model
von: Han, Pengxiao, et al.
Veröffentlicht: (2025)

Map Feature Perception Metric for Map Generation Quality Assessment and Loss Optimization
von: Sun, Chenxing, et al.
Veröffentlicht: (2025)

Template-Based Feature Aggregation Network for Industrial Anomaly Detection
von: Luo, Wei, et al.
Veröffentlicht: (2026)

Enhanced Anomaly Detection for Capsule Endoscopy Using Ensemble Learning Strategies
von: Werner, Julia, et al.
Veröffentlicht: (2025)

VETime: Vision Enhanced Zero-Shot Time Series Anomaly Detection
von: Yang, Yingyuan, et al.
Veröffentlicht: (2026)

HexFormer: Hyperbolic Vision Transformer with Exponential Map Aggregation
von: Alyoussef, Haya, et al.
Veröffentlicht: (2026)

Patch Pruning Strategy Based on Robust Statistical Measures of Attention Weight Diversity in Vision Transformers
von: Igaue, Yuki, et al.
Veröffentlicht: (2025)

Unsupervised Anomaly Detection with an Enhanced Teacher for Student-Teacher Feature Pyramid Matching
von: Zolfaghari, Mohammad, et al.
Veröffentlicht: (2025)

Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection
von: Pu, Yujiang, et al.
Veröffentlicht: (2023)

Leveraging Intermediate Features of Vision Transformer for Face Anti-Spoofing
von: Feng, Mika, et al.
Veröffentlicht: (2025)

ViTGaze: Gaze Following with Interaction Features in Vision Transformers
von: Song, Yuehao, et al.
Veröffentlicht: (2024)

Brain Mapping with Dense Features: Grounding Cortical Semantic Selectivity in Natural Images With Vision Transformers
von: Luo, Andrew F., et al.
Veröffentlicht: (2024)

VisualAD: Language-Free Zero-Shot Anomaly Detection via Vision Transformer
von: Hou, Yanning, et al.
Veröffentlicht: (2026)

Enhancing Transformers Through Conditioned Embedded Tokens
von: Saratchandran, Hemanth, et al.
Veröffentlicht: (2025)

HGO-YOLO: Advancing Anomaly Behavior Detection with Hierarchical Features and Lightweight Optimized Detection
von: Zheng, Qizhi, et al.
Veröffentlicht: (2025)

SPFormer: Enhancing Vision Transformer with Superpixel Representation
von: Mei, Jieru, et al.
Veröffentlicht: (2024)

Advancing Vision Transformer with Enhanced Spatial Priors
von: Fan, Qihang, et al.
Veröffentlicht: (2026)

Leveraging Semantic Cues from Foundation Vision Models for Enhanced Local Feature Correspondence
von: Cadar, Felipe, et al.
Veröffentlicht: (2024)

Multimodal Attention-Enhanced Feature Fusion-based Weekly Supervised Anomaly Violence Detection
von: Kaneko, Yuta, et al.
Veröffentlicht: (2024)

Vision Foundation Model Embedding-Based Semantic Anomaly Detection
von: Ronecker, Max Peter, et al.
Veröffentlicht: (2025)

MVFormer: Diversifying Feature Normalization and Token Mixing for Efficient Vision Transformers
von: Bae, Jongseong, et al.
Veröffentlicht: (2024)