LITv2

基于HiLo注意力的快速视觉Transformer

LITv2 HiLo注意力视觉Transformer 图像分类目标检测 Github 开源项目

LITv2是一种基于HiLo注意力机制的高效视觉Transformer模型。它将注意力头分为两组,分别处理高频局部细节和低频全局结构,从而在多种模型规模下实现了优于现有方法的性能和更快的速度。该项目开源了图像分类、目标检测和语义分割任务的预训练模型和代码实现。

文档

Open-MAGVIT2 - 自回归视觉生成新突破大幅提升图像分词性能

GithubOpen-MAGVIT2图像分词器大规模词表开源项目自回归模型视觉生成

Open-MAGVIT2是一个创新的自回归视觉生成项目，采用无查找技术和262144大小的码本，克服了VQGAN的局限性。该项目用PyTorch重新实现MAGVIT2分词器，在图像分词方面取得显著进展，8倍下采样时rFID达到0.39。项目致力于推动自回归视觉生成领域发展，目前处于积极开发阶段，未来计划拓展至视频生成领域。

MDT - MDTv2图像合成模型：更快收敛和卓越性能

GithubMasked Diffusion Transformer人工智能图像合成开源项目深度学习计算机视觉

MDTv2是一种先进的深度学习图像合成模型，在ImageNet数据集上实现了1.58的FID分数，创造新的业界标准。该模型采用掩码潜在建模技术，提高了图像语义理解能力，学习速度比先前模型快10倍以上。MDTv2在图像生成质量和训练效率方面都有显著提升，为计算机视觉和人工智能领域带来了新的可能性。

mobilevit-small - 高效轻量的移动端视觉转换器

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

MobileViT-small是一款轻量级视觉模型，在ImageNet-1k数据集上预训练。该模型融合MobileNetV2结构和transformer块，实现高效全局图像处理。仅5.6M参数量，却在ImageNet上获得78.4%的top-1准确率。适用于移动设备的图像分类等任务，平衡了性能与效率。

vit-large-patch32-384 - 基于Transformer架构的大规模图像分类模型

GithubHuggingfaceImageNetVision Transformer图像分类开源项目模型深度学习计算机视觉

Vision Transformer (ViT) 是一个基于Transformer架构的大型视觉模型，在ImageNet-21k数据集上预训练，并在ImageNet 2012数据集上微调。模型采用图像分块和序列化处理方法，支持384x384分辨率的输入。ViT在多个图像分类基准测试中表现优异，可用于图像分类、特征提取等计算机视觉任务。该模型支持PyTorch框架，适合研究人员和开发者使用。

clip-vision-model-tiny - 轻量级AI图像处理与分析视觉模型

GithubHuggingfaceMIT协议代码许可开源协议开源项目模型许可证软件授权

基于MIT许可证开发的轻量级图像视觉模型，采用紧凑架构设计，具备高效的图像处理和分析能力。该开源项目适用于快速部署场景，可在资源受限环境中保持准确的图像识别表现。

dinov2-small-imagenet1k-1-layer - 视觉特征学习的Transformer模型

DINOv2GithubHuggingfaceVision Transformer图像分类开源项目模型特征提取自监督学习

DINOv2方法无监督预训练的Vision Transformer，适用于影像特征学习增强场景。此小尺寸模型能在ImageNet-1k数据集上执行分类任务，通过提取特征来辅助下游任务。尽管模型未包含微调头，但可附加线性层进行标准分类，适合高精度视觉特征需求的应用。

swinv2-tiny-patch4-window8-256 - 基于分层特征图的轻量级视觉Transformer模型

GithubHuggingfaceImageNetSwin Transformer v2图像分类开源项目模型深度学习计算机视觉

Swin Transformer V2是一个在ImageNet-1k数据集上预训练的视觉模型，采用分层特征图结构和局部窗口注意力机制，实现线性计算复杂度。模型整合了残差后归一化和余弦注意力等技术，在保持256x256分辨率输入的同时，提供了稳定的图像分类和特征提取能力。

vit-base-patch16-384 - Vision Transformer：基于图像分块的高效视觉识别模型

GithubHuggingfaceImageNetVision Transformer图像分类开源项目模型深度学习计算机视觉

Vision Transformer (ViT) 是一种基于Transformer架构的视觉识别模型，在ImageNet-21k上进行预训练，并在ImageNet 2012上微调。模型采用图像分块和序列化处理方法，有效处理384x384分辨率的图像。ViT在多个图像分类基准测试中表现优异，适用于各种计算机视觉任务。该预训练模型为研究人员和开发者提供了快速开发高精度图像识别应用的基础。

lit - 自学AI实践者必备技术书籍精选

AIGithubNLP开源项目数据科学机器学习编程

lit项目为自学AI实践者提供了精心策划的技术书籍集锦。涵盖人工智能、数据科学、计算机科学、编程等多个领域的经典著作,从入门到进阶兼具理论深度和实践指导。项目创建者基于个人经验对每本书进行简要介绍,为读者选择合适学习材料提供参考。这一资源有助于系统全面地学习AI相关知识。

vit_large_patch14_reg4_dinov2.lvd142m - 带寄存器的视觉Transformer模型用于图像特征提取

DINOv2GithubHuggingfaceVision Transformertimm图像分类开源项目模型特征提取

vit_large_patch14_reg4_dinov2.lvd142m是一个带寄存器的视觉Transformer模型，在LVD-142M数据集上使用自监督DINOv2方法预训练。该模型具有3.044亿参数，可处理518x518大小的图像，适用于图像分类和特征提取任务。它结合了ViT和DINOv2技术，为计算机视觉应用提供了高效的解决方案。

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