Project Icon

GiT

通用视觉Transformer模型实现多任务统一

GiT是一种通用视觉Transformer模型,采用单一ViT架构处理多种视觉任务。该模型设计简洁,无需额外视觉编码器和适配器。通过统一语言接口,GiT实现了从目标检测到图像描述等多任务能力。在多任务训练中,GiT展现出任务间协同效应,性能超越单任务训练且无负迁移。GiT在零样本和少样本测试中表现优异,并随模型规模和数据量增加而持续提升性能。

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。
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。
MiniGPT-4 - 视觉语言多任务学习的统一接口
GithubMiniGPT-v2图像理解多任务学习大型语言模型开源项目视觉语言模型
MiniGPT-4是一个视觉语言理解项目,整合了Llama 2和Vicuna模型以增强多模态能力。它支持图像描述、视觉问答和多任务学习,能够处理复杂的视觉理解任务。项目的开源性和灵活架构为研究人员和开发者提供了探索视觉语言AI的工具。
vivit-b-16x2-kinetics400 - ViViT 扩展Vision Transformer至视频分析领域的创新模型
GithubHuggingfaceViViT开源项目模型深度学习视觉变换器视频分类计算机视觉
ViViT是Arnab等人提出的视频视觉Transformer模型,将Vision Transformer的概念扩展到视频领域。这一模型主要应用于视频分类等任务的微调,在视频数据处理方面表现出色。ViViT为视频分析和理解开辟了新途径,为研究人员和开发者提供了进行视频相关任务开发的有力工具。该模型的出现推动了计算机视觉技术在视频领域的发展,为未来的视频智能分析奠定了基础。
vit_tiny_patch16_384.augreg_in21k_ft_in1k - ViT-Tiny 轻量级视觉转换器模型实现图像分类与特征提取
GithubHuggingfaceImageNetVision Transformertimm图像分类开源项目模型深度学习
ViT-Tiny是一款轻量级视觉转换器模型,专为图像分类和特征提取而设计。该模型在ImageNet-21k上预训练,并在ImageNet-1k上微调,采用了先进的数据增强和正则化技术。模型仅有5.8M参数,能处理384x384尺寸的图像,通过timm库可轻松加载用于推理或进一步微调。ViT-Tiny在保持高性能的同时,大幅降低了计算资源需求,适合各类图像识别应用场景。
magvit - 单模型实现多种视频合成任务的创新技术
GithubMAGVIT开源项目机器学习深度学习视频生成计算机视觉
MAGVIT是一种创新的视频生成技术,采用掩码生成视频变换器实现单一模型解决多种视频合成任务。该项目在视频生成质量、效率和灵活性方面表现出色,能够执行类别条件生成、帧预测和多任务视频处理。MAGVIT在UCF-101、BAIR Robot Pushing、Kinetics-600等多个基准测试中取得优异成绩,展示了其在视频生成领域的应用前景。
GLEE - 实现多任务图像和视频处理的通用视觉基础模型
GLEEGithub多任务模型实例分割开源项目目标检测计算机视觉
GLEE是一个通用对象基础模型,在超过1000万张来自多个数据集的图像上进行联合训练。该模型能同时处理多种以对象为中心的视觉任务,并在多个基准测试中保持领先性能。GLEE具有出色的通用性和零样本迁移能力,可作为增强其他架构或模型的基础组件。这项研究被CVPR2024接受为亮点论文,研究团队计划开源相关代码和预训练模型。
MIMDet - 掩码图像建模应用于目标检测的开源项目
GithubMIMDet卷积神经网络实例分割开源项目物体检测视觉变换器
MIMDet是一个利用掩码图像建模技术的开源项目,能够提升预训练的Vanilla Vision Transformer在目标检测中的表现。此框架采用混合架构,用随机初始化的卷积体系取代预训练的大核Patchify体系,实现多尺度表示无需上采样。在COCO数据集上的表现亮眼,使用ViT-Base和Mask R-CNN模型时,分别达到51.7的框AP和46.2的掩码AP;使用ViT-L模型时,成绩分别是54.3的框AP和48.2的掩码AP。
vit - 在Habana Gaudi HPU上高效运行ViT模型的配置指南
Gaudi处理器GithubHugging FaceHuggingfaceOptimum Habana图像分类开源项目模型混合精度
了解如何使用Habana Gaudi HPU进行ViT模型高效训练和部署,提供如自定义AdamW和融合梯度剪裁等特定训练参数。支持bf16混合精度训练以提升性能和精度。探索Habana HPU在增强Transformer和Diffuser模型方面的应用。
vit-base-patch32-384 - Vision Transformer图像分类模型支持大规模数据训练
GithubHuggingfaceImageNetVision Transformer图像分类开源项目模型深度学习计算机视觉
Vision Transformer(ViT)是一款图像分类模型,采用Transformer编码器架构,通过将图像分割为固定大小patch进行处理。模型在包含1400万张图像的ImageNet-21k数据集完成预训练,并在ImageNet-1k数据集上进行384x384分辨率的微调。提供预训练权重,可直接应用于图像分类或迁移学习任务。
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

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。

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