该研究针对胶囊内镜视频（CEV）中的多标签分类任务，参与了胃肠道竞赛。利用基于变换器的深度学习网络进行调优，采用Google视觉变换器（ViT）作为基础模型，批量大小为16，输入分辨率为224 x 224。总共对17个标签进行分类，包括口腔、食道、胃、小肠、结肠、Z线、幽门、回盲瓣、活动性出血、血管扩张、血液、侵蚀、红斑、血红素、淋巴管扩张、息肉和溃疡。在三个视频的测试数据集中，整体mAP @0....