Project Icon

MASt3R_ViTLarge_BaseDecoder_512_catmlpdpt_metric

基于3D的高精度图像匹配技术

MASt3R是一款开源的图像到3D匹配模型,采用ViT-Large编码器和ViT-Base解码器架构。它结合了CatMLP和DPT技术,能够处理多种分辨率的图像输入。该模型在GitHub上提供了完整的代码和使用说明,适用于需要高精度3D视觉的研究和应用。MASt3R为计算机视觉领域的研究人员和开发者提供了一个强大的工具,有助于推动3D视觉技术的发展。

vit_large_patch16_224.augreg_in21k_ft_in1k - 预训练ViT大模型实现高性能图像分类与特征提取
GithubHuggingfaceImageNettimm图像分类开源项目模型视觉转换器迁移学习
这是一个基于Vision Transformer (ViT)架构的大型图像处理模型,在ImageNet-21k数据集上预训练,并在ImageNet-1k上微调。模型采用了先进的数据增强和正则化技术,适用于图像分类和特征提取任务。它包含3.04亿参数,处理224x224尺寸的输入图像。通过TIMM库,用户可以方便地使用该模型进行图像分类和特征嵌入提取。由于在大规模数据集上训练,该模型展现出卓越的图像理解能力。
mgp-str-base - 多粒度预测的场景文本识别开源模型
GithubHuggingfaceMGP-STR光学字符识别场景文字识别多粒度预测开源项目模型计算机视觉
MGP-STR base-sized model是一个基于ViT和A^3模块的场景文本识别开源模型。它采用多粒度预测方法,包括字符、子词和单词级别,以提高识别精度。该模型在MJSynth和SynthText数据集上训练,适用于复杂场景的OCR任务,并可方便地集成到PyTorch项目中。
InternViT-300M-448px - 动态分辨率视觉模型提供高效特征提取和OCR功能
GithubHuggingfaceInternViTOCR能力图像嵌入开源项目模型知识蒸馏视觉基础模型
InternViT-300M-448px是一个经过知识蒸馏的视觉基础模型,具有304M参数量和448x448的动态输入分辨率。该模型支持多图块处理,训练时1-12个,测试时可扩展至40个。通过在LAION、COYO等多个数据集上预训练,并整合额外OCR数据,模型展现出优秀的鲁棒性、文字识别和高分辨率处理能力。它可为多种视觉任务提供高质量的图像特征提取。
multimodal-maestro - 多模态AI模型控制与高效提示策略框架
AI提示GithubMultimodal-MaestroPython图像处理大型多模态模型开源项目
multimodal-maestro是一个开源框架,旨在增强对大型多模态AI模型的控制能力。该项目提供先进的提示策略,使模型能够执行复杂的视觉理解任务。支持图像标注、掩码生成等功能,并具有简洁的API设计。multimodal-maestro能够充分发挥GPT-4V等多模态模型的潜力,实现更精准的视觉分析和处理。
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。
PointTransformerV3 - 先进的点云处理框架
GithubPoint Transformer V3开源项目深度学习点云处理计算机视觉语义分割
PointTransformerV3是一个创新的点云处理框架,在多个基准测试中展现出卓越性能。该项目优化了模型结构,提升了运行速度和处理能力。它适用于室内外场景的语义分割,通过多数据集预训练进一步增强了效果。研究人员可利用开源代码和预训练模型轻松复现结果或应用于自身项目。
dpt-beit-base-384 - 基于BEiT主干的DPT模型实现单目深度估计
DPTGithubHuggingface图像处理开源项目模型深度估计神经网络计算机视觉
DPT (Dense Prediction Transformer) 是一个基于BEiT主干的模型,专门用于单目深度估计。该模型在140万张图像上训练,可进行零样本深度估计。采用Transformer架构,具备强大的密集预测能力,能生成高质量深度图。模型可通过Python代码或pipeline API轻松使用,为计算机视觉任务提供了有力工具。
rorshark-vit-base - ViT架构图像分类模型实现99.23%精度
GithubHuggingfaceViT准确率图像分类开源项目机器学习模型训练模型
rorshark-vit-base是基于google/vit-base-patch16-224-in21k模型微调的图像分类器。该模型采用Vision Transformer架构,在imagefolder数据集上达到99.23%的分类准确率。经过5轮训练,使用Adam优化器和线性学习率调度。虽然在高精度图像分类任务中表现出色,但其具体应用场景和局限性有待进一步研究。
LaVIT - 大语言模型理解生成视觉内容的统一框架
GithubLaVIT多模态大语言模型开源项目视觉内容理解视觉内容生成预训练策略
LaVIT项目是一个创新的多模态预训练框架,旨在增强大语言模型处理视觉内容的能力。该项目通过动态离散视觉标记化技术,将图像和视频转换为离散标记序列,使大语言模型能够理解和生成视觉内容。LaVIT支持图像和视频的理解、生成,以及多模态提示生成,为计算机视觉和自然语言处理的融合提供了新的可能性。
MambaVision-T-1K - 提高视觉模型长距离空间依赖的处理能力
GithubHuggingfaceMambaVision变换器图像分类开源项目模型特征提取计算机视觉
MambaVision是一个混合视觉模型,将Mamba与Transformer的优点结合,重新设计后的Mamba通过引入自注意力机制有效捕获长距离空间依赖。该模型在Top-1准确率和吞吐量上表现突出,创造了新的性能标准。用户可以通过简单的安装和代码导入来使用其图像分类和特征提取功能,满足多样化的应用需求,同时提供阶段性和平均池化特征输出。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号