Table 4 Mean variations of F1-score by each dataset and architecture.

From: Domain adaptation using transformer models for automated detection of exterior cladding materials in street view images

Architecture

Dataset

Hyperparameter

Batch size

Learning rate

Weight decay

Momentum

Iteration

ViT

RS + RT

0.17

0.23

0.09

0.11

0.15

AS + RT

0.39

0.35

0.87

0.05

1.96

RS + AT

0.15

0.57

1.07

0.05

0.37

AS + AT

0.12

0.30

0.06

0.36

1.83

Swin transformer

RS + RT

0.43

0.74

0.02

0.22

0.86

AS + RT

0.20

0.52

0.13

0.82

0.92

RS + AT

0.52

0.18

0.30

0.22

1.91

AS + AT

0.12

0.62

0.26

0.28

1.64

PVT

RS + RT

0.57

0.17

0.18

0.26

0.98

AS + RT

0.14

0.13

0.25

0.32

1.46

RS + AT

0.47

0.02

0.24

0.13

0.53

AS + AT

0.23

0.41

0.27

0.35

1.92

MobileViT

RS + RT

0.01

0.06

0.13

0.19

0.30

AS + RT

0.13

0.48

0.12

0.28

1.13

RS + AT

0.05

0.57

0.67

0.22

1.05

AS + AT

0.23

0.07

0.03

0.21

2.13

Axial transformer

RS + RT

0.01

0.13

0.16

0.07

0.19

AS + RT

0.22

0.06

0.16

0.14

2.62

RS + AT

0.16

0.14

0.62

0.52

1.94

AS + AT

0.01

0.01

0.17

0.23

2.11

Back to article page