dict-guided

词典指导场景文字识别方法及VinText数据集

场景文字识别 VinText数据集字典引导深度学习计算机视觉 Github 开源项目

dict-guided项目提出了一种词典指导的场景文字识别方法，旨在改进现有模型性能。项目同时发布了越南语场景文字识别数据集VinText。该方法结合传统和创新策略，提高了文字识别准确率。项目开源了代码、预训练模型，并提供了数据集构建、模型架构和实验结果等详细信息，便于研究人员进行深入研究。

VisualGLM-6B - 一个具备处理图像、中文和英文的能力的开源多模态对话语言模型

GithubVisualGLM-6B图像描述多模态对话模型开源开源项目微调

VisualGLM-6B是一个开源多模态对话语言模型，具备处理图像、中文和英文的能力。该模型继承自强大的ChatGLM-6B基础，增添了6.2亿参数，整合了先进的BLIP2-Qformer技术，达到了语言和视觉数据的高效融合。模型总参数量为7.8亿，展现在多个核心多模态任务上的卓越效能。针对各种应用场景均进行了优化，支持在消费级显卡上运行，降低了使用门槛，拓展了其在学术研究和实务应用中的潜力。

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。

LVM - 大规模视觉模型的创新顺序建模方法

GithubLVM大规模视觉模型序列建模开源项目视觉句子视觉预训练模型

LVM是一种创新视觉预训练模型，将多种视觉数据转化为视觉句子，并进行自回归式标记预测。该模型采用顺序建模方法，无需语言数据即可学习大规模视觉模型。通过设计视觉提示，LVM可解决多种视觉任务。兼容GPU和TPU，为大规模视觉模型学习提供新方法。

Text-To-Video-Finetuning - 使用Diffusers微调ModelScope的文本生成视频模型，提供安装、配置和训练指南

Diffusion ModelsExponentialMLGithubLoRAModelScopeText-To-Video开源项目

Text-To-Video-Finetuning项目使用Diffusers微调ModelScope的文本生成视频模型，提供详尽的安装、配置和训练指南。主要更新包括LoRA训练、模型格式转换和Torch 2.0支持。项目现已归档，相关资源及支持文件仍可用。建议关注@damo-vilab的新实现，以体验全面的视频扩散微调功能。支持多种模型训练与推断，适用于VRAM限制设备，模块化设计方便定制与扩展。

dinov2 - 通过无监督学习构建强大视觉特征的先进方法

DINOv2GithubVision Transformer开源项目自监督学习视觉特征计算机视觉

DINOv2是一种先进的无监督视觉特征学习方法,在1.42亿张未标注图像上预训练后生成高性能、鲁棒的通用视觉特征。这些特征可直接应用于多种计算机视觉任务,仅需简单线性分类器即可实现优异效果。DINOv2提供多种预训练模型,包括带寄存器的变体,在ImageNet等基准测试中表现卓越。

grounding-dino-base - 实现开放集目标检测的创新模型

GithubGrounding DINOHuggingface开源项目模型深度学习物体检测计算机视觉零样本学习

Grounding DINO是一种创新的开放集目标检测模型，结合DINO与文本预训练技术。通过整合文本编码器，该模型将闭集目标检测扩展为零样本目标检测。在COCO数据集上，Grounding DINO达到了52.5 AP的性能。此模型支持研究人员直接进行零样本目标检测，无需额外的标记数据即可识别图像中的物体。

PhoGPT - 越南语生成预训练模型系列

GithubPhoGPTVietnamese开源项目生成模型聊天机器人预训练

PhoGPT是一个高性能的越南语生成预训练模型系列，包括基础模型PhoGPT-4B和聊天变体PhoGPT-4B-Chat。PhoGPT-4B在102B词汇上预训练，支持8192上下文长度和20K词汇类型。PhoGPT-4B-Chat经过微调，提升了对话和指令响应能力。PhoGPT在开源模型中表现优异，适合多种生成任务。

vit_base_patch8_224.dino - 将自监督DINO方法应用于视觉变换器以增强图像特征提取能力

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

该项目利用Vision Transformer (ViT) 和自监督DINO方法进行图像特征提取，支持图像分类和嵌入应用。模型在ImageNet-1k数据集上进行了预训练，具有85.8M参数，能够处理224 x 224分辨率的图像。由于其参数利用效率高，该模型在大规模数据集上表现良好，适合精确特征提取的视觉任务，增强图像识别及分析能力。通过`timm`库可轻松实现模型调用和图像处理，满足多种计算机视觉应用需求。

dit-base - 面向文档智能处理的自监督预训练图像Transformer模型

DiTGithubHuggingface图像编码开源项目文档分析文档图像转换器模型自监督预训练

DiT-base是一款基于Transformer架构的文档图像处理模型，通过在4200万份文档图像上进行自监督预训练而成。该模型运用掩码补全任务来学习图像的内部表示，可应用于文档分类、表格检测和版面分析等多种任务。DiT-base能够将文档图像编码为向量，为文档智能处理领域的各类应用奠定了基础。

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。

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

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。

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

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。

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