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

3D-VisTA - 简化3D视觉和文本对齐的新型预训练模型

3D-VisTAGithub多模态融合开源项目自然语言处理计算机视觉预训练模型

3D-VisTA是一种新型预训练变换器模型,专注于3D视觉和文本对齐。该模型采用简洁统一的架构,无需复杂的任务特定设计,可轻松适应多种下游任务。通过在大规模ScanScribe数据集上预训练,3D-VisTA在视觉定位、密集字幕生成等3D视觉语言理解任务中达到了领先水平。此外,该模型还表现出优异的数据效率,即使在标注数据有限的情况下也能保持强劲性能。

CLIP-ViT-B-32-xlm-roberta-base-laion5B-s13B-b90k - 具备零样本学习与多语言支持的图像模型

CLIP ViT-B/32GithubHuggingfaceLAION-5B图像分类多语言性能开源项目模型零样本学习

该模型基于LAION-5B数据集和OpenCLIP技术，能够进行零样本图像分类和图像-文本检索。通过结合CLIP ViT-B/32和xlm roberta，这一模型在各种图像任务中显示出较高性能。同时，其多语言能力经验证，可提升imagenet1k等多语言数据集上的表现，尤其在意大利语和日语测试中效果显著。依托于高效的OpenCLIP训练，模型在mscooco和flickr30k数据集上有较大性能提升，是图像生成与分类的可靠选择。

openvla-7b - 基于视觉和语言的开源机器人动作生成模型

GithubHuggingfaceOpenVLA图像文本处理开源项目机器人控制机器学习模型视觉语言行为模型

OpenVLA-7B是一个开源的视觉-语言-动作模型，基于97万个机器人操作数据训练。该模型将语言指令和摄像机图像转化为机器人动作，支持多种机器人控制，并可通过微调适应新任务。OpenVLA-7B采用MIT许可证，适用于零样本指令执行和新领域迁移。

OpenAI-CLIP - 从零开始实现CLIP模型：探索文本与图像的多模态关联

CLIPGithubOpenAI图像编码器多模态开源项目文本编码器

本项目实现了CLIP模型，基于PyTorch进行开发，通过训练文本和图像数据，探索其相互关系。详细的代码指南和实用工具展示了模型在自然语言监督任务中的表现和实际应用，适合多模态学习的研究者和开发者使用。

Chinese-CLIP - 中文多模态嵌入和检索性能优化的领先方案

Chinese-CLIPGithub图文特征提取开源项目模型下载跨模态检索零样本图像分类

Chinese-CLIP项目，基于大规模中文图文对数据，专门针对中文领域的特点进行优化，提供高效的图文特征计算与相似度测算，实现零样本分类和跨模态检索。该项目改进了多个模型，包括ViT与ResNet结构，并在多个公开数据集上展示了显著的性能提升，为中文处理场景下的企业和研究者提供强大工具。

Llama-3-VILA1.5-8B - 视觉语言模型支持多图像推理和边缘计算

GithubHuggingfaceVILA图文理解多模态大模型开源项目模型视觉语言模型边缘计算

Llama-3-VILA1.5-8B是一款基于大规模交错图像-文本数据预训练的视觉语言模型。该模型具备多图像推理、情境学习和视觉思维链等功能,可部署于边缘设备。在12个基准测试中,包括5个学术视觉问答和7个指令跟随测试,Llama-3-VILA1.5-8B展现了优秀性能。这一模型为研究人员和AI爱好者提供了进行大型多模态模型和聊天机器人研究的有力工具。

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg - 基于LAION-2B数据集的卷积神经网络达到79%零样本分类准确率

CLIPConvNextGithubHuggingface图像分类开源项目机器学习模型神经网络

CLIP ConvNeXt-XXLarge是一个在LAION-2B数据集上训练的大规模视觉语言模型，总参数量12亿，图像分辨率256x256。模型采用ConvNeXt-XXLarge图像结构和ViT-H-14规模的文本编码器，在ImageNet零样本分类上达到79%准确率。主要应用于图像分类、检索等研究任务。

3D-OVS - 无需标注的开放词汇3D场景分割新方法

3D分割CLIP特征GithubTensoRF开放词汇开源项目弱监督学习

3D-OVS是一种创新的弱监督3D开放词汇分割方法，仅依靠文本描述即可实现3D场景的精准分割。该技术融合TensoRF重建与CLIP特征提取，通过提示工程和DINO特征优化，提高了3D场景的语义理解能力。这一方法将3D视觉与自然语言处理有机结合，为多个领域的应用提供了新的可能性。

xlm-v-base - 多语言模型中的突破性词汇扩展

GithubHuggingfaceXLM-V命名实体识别多语言开源项目模型自然语言推理词汇瓶颈

XLM-V是一个多语言模型，拥有百万词汇表，并在2.5TB数据上进行训练。相比于XLM-R，该模型在语言推理、问答与命名实体识别等任务中表现优异。通过减少语言间的词汇共享，这一创新提高了模型的表现，尤其在词汇重叠较少的语言中。XLM-V不仅提高跨语言任务的效果，也在低资源任务中实现重大突破，为机器学习和语言研究带来更多可能性。

ViT-B-16-SigLIP - 基于WebLI数据集的SigLIP视觉语言模型

GithubHuggingfaceSigLIPViT-B-16WebLI图像文本对比开源项目模型零样本图像分类

ViT-B-16-SigLIP是一个在WebLI数据集上训练的视觉语言模型，使用Sigmoid损失函数进行预训练。该模型支持对比学习和零样本图像分类任务，可通过OpenCLIP和timm库使用。ViT-B-16-SigLIP在图像-文本对齐和特征提取方面具有良好性能，适用于计算机视觉和自然语言处理的交叉应用研究。

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