用于Fashion MNIST分类的卷积神经网络与视觉Transformer：文献综述
计算机视觉与模式识别
2024-06-06 v1 机器学习
摘要
我们的综述探讨了卷积神经网络（CNN）与视觉Transformer（ViT）在图像分类领域的比较分析，特别聚焦于电子商务领域的服装分类。利用Fashion MNIST数据集，我们深入研究了CNN和ViT的独特属性。尽管CNN长期以来一直是图像分类的基石，但ViT引入了一种创新的自注意力机制，能够对不同输入数据成分进行精细加权。历史上，Transformer主要与自然语言处理（NLP）任务相关联。通过对现有文献的全面审视，我们旨在揭示ViT与CNN在图像分类背景下的差异。我们的分析细致地审视了采用这两种架构的最新方法，力求找出影响其性能的因素。这些因素包括数据集特征、图像尺寸、目标类别数量、硬件基础设施以及具体架构及其各自的最佳结果。我们的关键目标是确定在电子商务行业中，针对Fashion MNIST数据集图像分类，ViT与CNN之间最合适的架构，同时考虑特定条件和需求。我们强调了将这两种架构以不同形式结合以提升整体性能的重要性。通过联合这些架构，我们可以利用它们各自的独特优势，这可能为电子商务应用带来更精确、更可靠的模型。CNN擅长识别局部模式，而ViT则有效把握全局上下文，因此它们的结合是提升图像分类性能的一种有前景的策略。
引用
@article{arxiv.2406.03478,
title = {Convolutional Neural Networks and Vision Transformers for Fashion MNIST Classification: A Literature Review},
author = {Sonia Bbouzidi and Ghazala Hcini and Imen Jdey and Fadoua Drira},
journal= {arXiv preprint arXiv:2406.03478},
year = {2024}
}