VLDet

将开放词汇目标检测转化为对象语言对齐学习

开放词汇目标检测 VLDet 图像文本对物体语言对齐 ICLR 2023 Github 开源项目

VLDet是一种开放词汇目标检测方法，通过学习对象与语言的对齐来直接从图像-文本对训练检测器。基于CLIP的视觉-语言预训练模型，该方法将任务构建为二分图匹配问题，在COCO和LVIS等数据集上实现了领先性能，并可轻松扩展到新目标类别。VLDet为开放词汇目标检测提供了高效的解决方案。

文档

VLM2Vec-Full - 视觉语言模型VLM2Vec的多模态嵌入训练方法

GithubHuggingfaceTIGER-LabVLM2Vec多模态嵌入对比学习开源项目模型视觉语言模型

VLM2Vec在Phi-3.5-V模型中引入EOS标记，实现跨多模态输入的统一嵌入表达，高效结合文本与图像。通过对比学习在MMEB-train数据集上训练，并在36个数据集上进行评估，Lora训练方式表现最佳。项目提供模型检查点及完整训练记录，供用户在GitHub仓库克隆下载，通过代码实现文本与图像的嵌入和相似度计算，助力模型运用。

x-clip - 灵活实现的CLIP视觉语言预训练模型

CLIPGithub多模态对比学习开源项目深度学习视觉语言模型

x-clip是一个简洁而全面的CLIP实现,整合了多项前沿研究成果。该项目支持灵活的模型配置,包括自定义文本和图像编码器、多视图对比学习和视觉自监督学习等功能。通过易用的API,研究人员可以快速实验各种CLIP变体和改进方案。x-clip适用于图像检索、跨模态理解等多种视觉语言任务。

LVM - 大规模视觉模型的创新顺序建模方法

GithubLVM大规模视觉模型序列建模开源项目视觉句子视觉预训练模型

LVM是一种创新视觉预训练模型，将多种视觉数据转化为视觉句子，并进行自回归式标记预测。该模型采用顺序建模方法，无需语言数据即可学习大规模视觉模型。通过设计视觉提示，LVM可解决多种视觉任务。兼容GPU和TPU，为大规模视觉模型学习提供新方法。

ViT-L-16-SigLIP-384 - 基于SigLIP的先进视觉语言模型实现零样本图像分类

GithubHuggingfaceSigLIP图像分类开源项目模型深度学习自然语言处理计算机视觉

ViT-L-16-SigLIP-384是一个在WebLI数据集上训练的SigLIP模型，专门用于语言-图像预训练。这个模型支持对比式图像-文本学习和零样本图像分类，已从JAX格式转换为PyTorch，可兼容OpenCLIP和timm库。它在视觉-语言处理方面表现出色，能够应用于多种计算机视觉任务，如图像分类和跨模态检索。

clip-ViT-B-32-multilingual-v1 - CLIP-ViT-B-32多语言模型实现文本图像向量映射和跨语言搜索

CLIPGithubHuggingfacesentence-transformers图像搜索多语言模型开源项目模型零样本分类

CLIP-ViT-B-32-multilingual-v1是OpenAI CLIP-ViT-B32模型的多语言拓展版本。该模型能将50多种语言的文本和图像映射到同一向量空间，支持多语言图像搜索和零样本图像分类。通过sentence-transformers库，用户可以方便地使用该模型。模型采用多语言知识蒸馏技术，将CLIP原始向量空间对齐到多语言空间。这为跨语言图像搜索和理解提供了有力支持，是图像-文本多语言处理的有效工具。

DFN5B-CLIP-ViT-H-14-378 - 大规模数据筛选优化的视觉语言预训练系统

CLIPGithubHuggingface图像分类开源项目数据过滤网络机器学习模型计算机视觉

DFN5B-CLIP-ViT-H-14-378是一款基于CLIP架构的视觉语言模型，采用数据过滤网络（DFN）技术从43B未筛选的图像-文本对中提取5B高质量数据进行训练。该模型在多项视觉任务中表现优异，平均准确率达70.94%。支持零样本图像分类，可与OpenCLIP框架无缝集成，为计算机视觉和自然语言处理研究提供了高性能的预训练模型基础。

vit_base_patch16_clip_224.openai - CLIP：跨模态视觉语言理解模型

CLIPGithubHuggingface人工智能图像分类开源项目模型计算机视觉零样本学习

CLIP是OpenAI开发的视觉-语言预训练模型，在timm库中实现。它使用ViT-B/16 Transformer作为图像编码器，masked self-attention Transformer作为文本编码器，通过对比学习优化图像-文本对相似度。CLIP在零样本图像分类任务中展现出优秀的鲁棒性和泛化能力，但在细粒度分类和物体计数方面仍有局限。该模型主要面向AI研究人员，用于探索计算机视觉模型的能力和局限性。

lang-seg - 语言驱动的零样本语义图像分割模型

CLIPGithubLSeg开源项目计算机视觉语义分割零样本学习

LSeg是一种语言驱动的语义图像分割模型，结合文本编码器和Transformer图像编码器。它能将描述性标签与图像像素对齐，实现高效零样本分割。LSeg在多个数据集上表现出色，无需额外训练即可泛化到新类别。该模型在固定标签集上可与传统算法媲美，为语义分割任务提供了灵活有力的解决方案。

CogVLM - 开源视觉语言模型，提升图像理解与跨模态对话功能

CogAgentCogVLMGithub图像理解多回合对话开源项目跨模态基准测试

CogVLM和CogAgent是领先的开源视觉语言模型，专注于图像理解和跨模态任务。CogVLM-17B拥有100亿视觉参数和70亿语言参数，并在NoCaps、Flicker30k等十个经典跨模态基准测试上表现出色。CogAgent在CogVLM的基础上改进，增添了GUI图像代理能力，支持1120*1120分辨率的图像理解，并在VQAv2、TextVQA等九个基准测试中表现优秀。该项目提供详细的技术文档、示例代码和Web演示，用户可以方便地进行模型推理和微调。了解更多信息，请访问项目主页。

LD - 高效提升目标检测模型性能的定位知识蒸馏方法

COCOGithubPASCAL VOC定位蒸馏开源项目目标检测知识蒸馏

LD项目提出了一种创新的定位蒸馏方法，旨在高效传递教师模型的定位知识到学生模型。该方法重构了定位知识蒸馏过程，并引入了有价值定位区域的概念，有选择地蒸馏语义和定位信息。实验结果显示，在不增加推理时间的前提下，LD能将GFocal-ResNet-50模型在COCO数据集上的AP从40.1提升至42.1。这种简单有效的蒸馏方案适用于多种密集目标检测器。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com