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

clip-vit-large-patch14 - OpenAI CLIP模型实现零样本图像分类和跨模态匹配

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开发的视觉语言模型,结合ViT-L/14和Transformer架构。通过对比学习,CLIP能够实现零样本图像分类和跨模态匹配。虽然在多项计算机视觉任务中表现优异,但在细粒度分类等方面仍有局限。该模型主要供研究人员探索视觉模型的鲁棒性和泛化能力,不适用于商业部署。CLIP的数据来源广泛,但可能存在偏见,使用时需谨慎评估。

MoE-LLaVA - 高效视觉语言模型的新方向

GithubMoE-LLaVA多模态学习大视觉语言模型开源项目性能表现稀疏激活

MoE-LLaVA项目采用混合专家技术,实现了高效的大规模视觉语言模型。该模型仅使用3B稀疏激活参数就达到了与7B参数模型相当的性能,在多项视觉理解任务中表现优异。项目提供简单的基线方法,通过稀疏路径学习多模态交互,可在8张A100 GPU上1天内完成训练。MoE-LLaVA为构建高性能、低参数量的视觉语言模型探索了新的方向。

llava-v1.5-7b - 融合视觉与语言的开源多模态AI模型

GithubHuggingfaceLLaVA人工智能图像文本理解多模态模型开源项目模型自然语言处理

LLaVA-v1.5-7B是一个开源的多模态AI模型，通过微调LLaMA/Vicuna实现。该模型整合了视觉和语言处理能力，能够理解图像并进行自然语言对话。LLaVA-v1.5-7B在大规模数据集上训练，包括558K图文对和158K多模态指令数据，并在12个基准测试中表现优异。这个模型主要应用于多模态大模型和聊天机器人的研究，适用于计算机视觉、自然语言处理等领域的研究人员。

CLIP-ViT-L-14-laion2B-s32B-b82K - CLIP-ViT-L-14模型实现高效零样本图像分类和检索

CLIPGithubHuggingfaceLAION-2B图像分类开源项目模型视觉语言模型零样本学习

CLIP-ViT-L-14-laion2B-s32B-b82K模型基于LAION-2B英语数据集训练，在ImageNet-1k上实现75.3%的零样本top-1准确率。它支持零样本图像分类和图文检索等任务，是研究零样本图像分类的重要工具。该模型在JUWELS Booster超级计算机上完成训练，为计算机视觉研究提供了新的可能性。

dict-guided - 词典指导场景文字识别方法及VinText数据集

GithubVinText数据集场景文字识别字典引导开源项目深度学习计算机视觉

dict-guided项目提出了一种词典指导的场景文字识别方法，旨在改进现有模型性能。项目同时发布了越南语场景文字识别数据集VinText。该方法结合传统和创新策略，提高了文字识别准确率。项目开源了代码、预训练模型，并提供了数据集构建、模型架构和实验结果等详细信息，便于研究人员进行深入研究。

CoDA_NeurIPS2023 - 创新3D目标检测框架实现开放词汇表任务

CoDAGithub开放词汇3D目标检测开源项目深度学习神经网络计算机视觉

CoDA是一个开源的开放词汇表3D目标检测框架，通过协作式新颖框发现和跨模态对齐技术提高对未见类别的检测能力。该项目支持ScanNet和SUN RGB-D数据集，提供完整的代码、预训练模型和数据集。CoDA的创新方法在NeurIPS 2023发表，为3D场景理解研究提供了新的思路。项目基于PyTorch开发，并提供详细的安装和使用指南。

metaclip-b32-400m - 揭秘CLIP数据处理方法的高性能视觉语言模型

GithubHuggingfaceMetaCLIP图像文本匹配开源项目模型自然语言处理计算机视觉零样本图像分类

MetaCLIP-b32-400m是基于CommonCrawl数据集训练的视觉语言模型，旨在解析CLIP的数据准备方法。该模型构建了图像和文本的共享嵌入空间，支持零样本图像分类和基于文本的图像检索等功能。研究人员可通过此模型探究CLIP的数据处理流程，加深对视觉语言模型训练过程的理解。

omdet-turbo-swin-tiny-hf - 实时开放词汇目标检测模型支持批量多任务处理

GithubHuggingfaceOmDet-Turbo图像识别开源项目机器学习模型目标检测零样本分类

这是一款基于Transformer的开放词汇目标检测模型。它支持零样本检测，能够识别指定的任意类别目标。该模型的特色在于支持批量处理多张图像，允许为每张图像设置不同的检测类别和任务描述。通过简洁的API接口，该模型可以方便地集成到各种计算机视觉应用中，实现高效的实时目标检测。

ViT-L-16-SigLIP-256 - 用于零样本图像分类的对比式图像文本模型

GithubHuggingfaceSigLIPWebLI对比学习开源项目模型语言图像预训练零样本图像分类

模型以WebLI数据集进行训练，兼容OpenCLIP与timm库，支持图像与文本的任务。通过SigLIP方法增强语言与图像的预训练能力，实现零样本图像分类。该模型由JAX格式转为PyTorch，更易集成至现有机器学习流程，具备多平台适应性。

ViT-B-32__openai - CLIP模型的ONNX导出版本用于图像和文本嵌入生成

CLIPGithubHuggingfaceImmich图像编码器开源项目文本编码器模型自托管照片库

ViT-B-32__openai项目是CLIP模型的ONNX导出版本，将视觉和文本编码器分离为独立模型。这种设计适用于生成图像和文本嵌入，特别针对Immich自托管照片库。该项目可用于处理大量图像和文本数据，有助于改进图像检索和跨模态搜索功能。

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