Comparative Study of Data Efficiency in Vision Transformer and ResNet-18 Architectures: Using CIFAR-10 and TinyImageNet
Notice bibliographique
Résumé
Deep learning algorithms for computer vision have been primarily based on architectures utilizing convolutional layers for feature extraction until 2020, when Dosovitskiy et al. proved that the Vision Transformer, an attention-based neural network outperforms many state-of-the-art convolutional networks of that time in several computer vision tasks. The architecture of vision transformers differ fundamentally from convolutional networks. Convolutional layers in convolutional networks excel at capturing local features in images, whereas vision transformers are better suited for learning global features that convolutional networks often miss. This advantage comes at the cost of data efficiency, which has limited the adoption of vision transformers until recently. This thesis compares the learning efficiency of two neural networks of similar complexity: ResNet-18 by He et al. and the Vision Transformer by Dosovitskiy et al. Both models are trained on varying fractions of the CIFAR-10 and TinyImageNet datasets. Canadian Institute for Advanced Research-10 (CIFAR-10) consists of 60,000 RGB images (32x32 pixels, 10 classes), while TinyImageNet contains 110,000 RGB images (64x64 pixels, 200 classes). Results are compared across epochs and different training dataset fractions. The results show that as the number of epochs increases, both architectures learn similarly, with ResNet-18 models performing slightly better. The observed differences likely stem from the size of the datasets used in the experiment, which is not enough for the Vision Transformer to outperform ResNet-18.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».