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

Awesome-Transformer-Attention - 视觉变换器与注意力机制的最新研究进展

GithubTransformerVision Transformer多模态学习开源项目注意力机制深度学习

vit_large_patch14_dinov2.lvd142m - 基于DINOv2的大规模Vision Transformer视觉特征提取模型

DINOv2GithubHuggingfaceViTtimm图像分类开源项目模型特征提取

这是一个基于Vision Transformer架构的图像特征提取模型，采用DINOv2自监督学习方法在LVD-142M数据集上预训练。模型包含3.044亿参数，支持518x518像素输入，适用于图像分类和特征提取任务。该模型提供了完整的加载、预处理和推理示例代码，可应用于需要高质量视觉特征表示的各种计算机视觉场景。

RepViT - 移动设备上的高效实时视觉模型

GithubRepViT-SAMSAM模型实时分割开源项目移动设备轻量级CNN

RepViT是一个轻量级CNN模型家族,整合了Vision Transformer的架构设计,在移动设备上实现了80%以上的ImageNet准确率,延迟仅1毫秒。RepViT-SAM将RepViT应用于SAM模型,显著降低了计算需求,实现了移动设备上的实时任意目标分割。这两个模型在图像分类、目标检测和语义分割等视觉任务中均表现出色,兼具高性能和高效率。

detr - Transformer架构重塑目标检测流程

DETRGithubTransformer开源项目深度学习目标检测计算机视觉

DETR项目运用Transformer架构创新性地改进了目标检测方法。该方法将传统的复杂流程转化为直接的集合预测问题，在COCO数据集上达到42 AP的性能表现，同时计算资源消耗减半。DETR结合全局损失函数与编码器-解码器结构，实现了图像的高效并行处理，大幅提升了目标检测的速度和准确性。项目开源了简洁的实现代码和预训练模型，便于研究人员进行深入探索和实际应用。

InternVL2-1B - 多模态大语言模型实现多图像和视频智能理解

GithubHuggingfaceInternVL2人工智能多模态大语言模型开源项目模型自然语言处理计算机视觉

InternVL2-1B是一款新型多模态大语言模型，结合了InternViT-300M-448px视觉模型和Qwen2-0.5B-Instruct语言模型。该模型在文档理解、图表分析和场景文字识别等任务中表现优异，能有效处理长文本、多图像和视频输入。InternVL2-1B在开源多模态模型中表现突出，部分能力可与商业模型比肩。通过采用8k上下文窗口训练，该模型大幅提升了处理长输入序列的能力。

CLIP-ViT-bigG-14-laion2B-39B-b160k - CLIP-ViT-bigG-14模型实现高效零样本图像分类与检索

CLIPGithubHuggingfaceLAION-2BViT-bigG/14开源模型开源项目模型零样本图像分类

CLIP-ViT-bigG-14-laion2B-39B-b160k是基于LAION-2B数据集训练的大规模视觉语言模型。该模型在零样本图像分类、图像文本检索等任务中表现出色，在ImageNet-1k测试中实现80.1%的零样本top-1准确率。模型采用ViT-bigG/14架构，由stability.ai提供计算资源支持。虽然适合研究人员探索零样本分类和跨模态学习，但目前不建议直接应用于商业场景。

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。

vit_large_patch14_clip_224.openai_ft_in12k_in1k - 视觉变压器用于图像分类和特征嵌入的高级应用

CLIPGithubHuggingfaceVision TransformerWIT-400M图像分类开源项目模型模型比较

OpenAI开发的视觉变压器(ViT)模型在WIT-400M图像文本对上通过CLIP进行预训练，并在ImageNet-12k和ImageNet-1k上微调，适用于图像分类与特征嵌入生成。模型运行在timm库中，具有高参数量与计算效率，适用于高精度图像识别，支持实时与批量处理应用。

fastvit_ma36.apple_in1k - Apple开源的高性能混合视觉Transformer图像处理模型

FastViTGithubHuggingface图像分类开源项目机器学习模型神经网络计算机视觉

FastViT是Apple开源的混合视觉Transformer模型，基于结构重参数化技术构建。模型在ImageNet-1k数据集训练，参数量4410万，支持256x256图像输入。主要功能包括图像分类、特征图提取和图像嵌入表示。通过混合架构设计，在保证准确率的基础上优化了计算效率。

ViT-Prisma - 视觉变换器和CLIP模型机制解析开源库

GithubVision Transformer图像处理开源库开源项目机器学习解释性神经网络可视化

ViT-Prisma是一个专注于Vision Transformer和CLIP模型的开源机制解析库。它提供logit归因、注意力可视化和激活修补等技术，用于深入分析模型内部机制。该库还包含ViT训练代码和预训练模型，支持ImageNet-1k和dSprites分类任务。ViT-Prisma为视觉模型可解释性研究提供了实用的工具集。

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