机构名称：
¥ 4.0
This paper presents a comprehensive performance evaluation of various AI architectures for a classification of holes drilled in melamine faced chipboard, including custom Convolutional Neu- ral Network (CNN-designed), five-fold CNN-designed, VGG19, single and five-fold VGG16, an en- semble of CNN-designed, VGG19, and 5xVGG16, and Vision Transformers （VIT）。每个模型的性能都根据其分类精度进行了测量和比较，视觉变压器模型，尤其是对8000个时期训练的B_32模型，以71.14％的精度证明了出色的性能。尽管取得了成就，但该研究强调了平衡模型性能与其他考虑因素（例如计算资源，模型复杂性和培训时间）的必要性。结果强调了仔细的模型选择和微调的重要性，不仅是由性能指标引导的，而且还取决于任务和上下文的特定要求和约束。这项研究为进一步探索其他基于变压器的模型提供了坚实的基础，并鼓励对模型进行微调的更深入研究，以利用这些AI体系结构对图像分类任务的全部潜力。
贡献报告-Indico Global
主要关键词
相关文件推荐
