#CvT

CvT-13是一款结合卷积神经网络(CNN)和视觉变换器(ViT)优势的图像分类模型。该模型在ImageNet-1k数据集上预训练，可处理224x224分辨率图像。CvT-13融合了CNN的局部特征提取和ViT的全局建模能力，在图像分类任务中表现出色。研究者可通过Hugging Face的transformers库轻松应用此模型于不同的图像分类项目中。