DUSt3R_ViTLarge_BaseDecoder_512_dpt

ViT架构的多分辨率3D几何视觉模型用于深度估计

计算机视觉 Github 开源项目三维视觉 DUSt3R 模型 Huggingface 深度学习图像处理

该模型使用ViT-Large编码器和ViT-Base解码器构建，采用DPT结构设计。支持处理512x384至512x160等多种分辨率图像，为3D几何视觉提供简化实现方案。开发者可通过PyTorch快速部署使用，模型由NAVER开源并遵循CC BY-NC-SA 4.0许可协议。

vit-pytorch - 通过PyTorch实现多种视觉Transformer变体

GithubPytorchVision Transformer卷积神经网络图像分类开源项目深度学习

本项目展示了如何在PyTorch中实现和使用视觉Transformer（ViT）模型，包括Simple ViT、NaViT、Distillation、Deep ViT等多种变体。利用基于Transformer架构的简单编码器，本项目在视觉分类任务中达到了先进水平。用户可以通过pip进行安装，并参考提供的代码示例进行模型加载和预测。项目还支持高级功能如知识蒸馏、变分图像尺寸训练和深度模型优化，适用于多种视觉任务场景。

vit_base_patch14_dinov2.lvd142m - Vision Transformer自监督图像特征提取模型

DINOv2GithubHuggingfaceVision Transformertimm图像特征提取开源项目模型自监督学习

vit_base_patch14_dinov2.lvd142m是基于Vision Transformer架构的图像特征提取模型，采用DINOv2自监督方法在LVD-142M数据集上预训练。模型包含8660万参数，支持518x518像素输入，可用于图像分类和特征提取。该模型无需监督即可学习视觉特征，性能出色。研究者可通过timm库便捷使用此预训练模型。

vit-large-patch16-384 - Vision Transformer大模型，提升高分辨率图像分类表现

GithubHuggingfaceImageNetVision Transformertransformer图像分类开源项目模型深度学习

项目提供了预训练于ImageNet-21k并在ImageNet 2012上微调的Vision Transformer（ViT）大模型。ViT通过将图像分为固定大小的补丁并使用Transformer编码器进行解析，提升了分类精度和特征提取能力，支持高分辨率视觉识别任务并兼容PyTorch使用。

Denoising-ViT - 去噪视觉Transformer优化密集识别任务效果

ECCV 2024GithubVision Transformers图像去噪密集识别任务开源项目特征图

Denoising Vision Transformers (DVT)是一种新型方法,用于消除视觉Transformer (ViT)特征图中的视觉伪影。DVT通过去除这些伪影,显著提升了ViT在语义分割和深度估计等密集识别任务中的表现。实验结果表明,DVT能有效改善MAE、DINO、DINOv2等多种预训练ViT模型在PASCAL VOC、ADE20K和NYU-D等数据集上的下游任务性能。

vit-base-patch32-224-in21k - Vision Transformer模型在2100万图像数据集上预训练

GithubHuggingfaceImageNet-21kVision Transformer图像识别开源项目模型深度学习计算机视觉

Vision Transformer (ViT) 是一种基于transformer架构的视觉模型，在ImageNet-21k数据集上预训练。该模型将图像转换为固定大小的patch序列，通过线性嵌入和位置编码输入transformer编码器。ViT可应用于图像分类等多种视觉任务，只需在预训练编码器上添加任务特定层。模型在224x224分辨率下训练，批量大小为4096，在多项图像分类基准测试中展现出优秀性能。

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。

FasterViT - 高效分层注意力的视觉transformer新突破

FasterViTGithub图像分类层级注意力机制开源项目目标检测视觉Transformer

FasterViT是一种创新的视觉transformer模型,采用分层注意力机制高效捕获短程和长程信息。在ImageNet分类任务中,FasterViT实现了精度和吞吐量的新平衡,无需额外训练数据即达到最先进水平。该项目提供多种预训练模型,适应不同计算资源和精度需求,支持任意分辨率输入,为目标检测、分割等下游任务提供灵活选择。

InternViT-6B-448px-V1-5 - 提升视觉模型分辨率及多语言OCR精度

GithubHuggingfaceInternViT-6B-448px-V1-5OCR能力图像特征提取开源项目模型视觉基础模型高分辨率处理

InternViT-6B-448px-V1-5在InternViT-6B-448px-V1-2的基础上，通过动态调整训练图像分辨率和强化数据集质量来提高模型的高分辨率处理和OCR能力。该模型具有5540M参数，使用1到12块瓦片进行训练，并通过PaddleOCR进行了中英文OCR处理，增强了多语言OCR性能。建议在构建视觉语言模型时，使用最后一层的特征。

dino-vitb8 - 无需微调，实现高效图像分类的自监督视觉转换器

GithubHuggingfaceImageNet-1kVision Transformer图像分类开源项目模型自监督学习预训练模型

Vision Transformer (ViT)模型通过DINO方法进行的自监督训练在ImageNet-1k数据集上预训练，注重提升图像特征提取，无需微调即可应用于图像分类，兼顾多种下游任务。可根据任务需求选择合适的微调版本。

Det3D - 提供多数据集和算法支持的3D目标检测工具箱

3D对象检测Det3DGithubKITTIPointPillarsPyTorch开源项目

Det3D是一款基于PyTorch的3D目标检测工具箱，支持多个数据集如KITTI、nuScenes、Lyft，并实现了多种3D目标检测算法如PointPillars、SECOND、PIXOR等。其特点包括高性能、支持分布式训练和同步批归一化，以及灵活的模型配置和可视化工具。Det3D适合自动驾驶、机器人和增强现实等领域的研究人员和开发者。

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