timesformer-base-finetuned-k600

采用空间时间注意力的视频分类技术，提升视频理解能力

Kinetics-600 TimeSformer 视频分类空间时间注意力深度学习模型 Github 开源项目 Huggingface

TimeSformer模型运用空间时间注意力机制进行视频分类，能够识别Kinetics-600中的600种标签。该工具旨在提升视频理解的准确性，提供简便的视觉分析能力。

文档

ese_vovnet39b.ra_in1k - 高效实时的VoVNet-v2图像分类解决方案

GithubHuggingfaceImageNet-1kVoVNet-v2timm图像分类开源项目模型特征提取

VoVNet-v2是一种预训练于ImageNet-1k的图像分类模型，含高效计算和低能耗优点，并采用RandAugment优化。适用于特征骨干网络，支持图像分类、特征提取和图像嵌入。其关键性能包括24.6M参数、7.1 GMACs等。通过`timm`库，用户可以实现高效的图像分类和特征提取。模型使用ResNet Strikes Back的训练方案，提高了准确度和应用多样性。

visformer_small.in1k - 视觉友好型Transformer图像分类模型

GithubHuggingfaceImageNet-1kVisformertimm图像分类开源项目模型深度学习模型

visformer_small.in1k是基于Visformer架构的图像分类模型，在ImageNet-1k数据集上训练。该模型采用视觉友好的Transformer设计，平衡了高效性和分类性能。它具有4020万参数，处理224x224尺寸图像，可用于分类任务和特征提取。研究者可通过timm库轻松使用此预训练模型进行图像分析和嵌入生成。

VideoGPT-plus - 双编码器融合提升视频理解能力

GithubVideoGPT+人工智能多模态模型开源项目视频对话视频理解

VideoGPT+是一个创新的视频对话模型，通过集成图像和视频编码器，实现了更精细的空间理解和全局时间上下文分析。模型采用自适应池化技术处理双编码器特征，大幅提升了视频基准测试性能。项目同时推出VCG+ 112K数据集和VCGBench-Diverse基准，为视频对话任务提供全面评估。VideoGPT+在空间理解、推理和视频问答等多项任务中表现优异。

CogVideoX-5b - 专家Transformer驱动的先进文本到视频生成模型

CogVideoXGithubHuggingface人工智能开源项目扩散模型文本到视频模型视频生成

CogVideoX-5b是基于专家Transformer的文本到视频生成模型。它可生成6秒720x480分辨率、8帧/秒的视频,支持226个token的英文提示输入。模型采用BF16精度,推理VRAM消耗低至5GB。通过多项优化,CogVideoX-5b在保持视觉质量的同时提高了推理速度,为视频生成研究与应用提供了有力工具。

MambaVision-T-1K - 提高视觉模型长距离空间依赖的处理能力

GithubHuggingfaceMambaVision变换器图像分类开源项目模型特征提取计算机视觉

MambaVision是一个混合视觉模型，将Mamba与Transformer的优点结合，重新设计后的Mamba通过引入自注意力机制有效捕获长距离空间依赖。该模型在Top-1准确率和吞吐量上表现突出，创造了新的性能标准。用户可以通过简单的安装和代码导入来使用其图像分类和特征提取功能，满足多样化的应用需求，同时提供阶段性和平均池化特征输出。

vit_base_patch16_384.augreg_in21k_ft_in1k - Vision Transformer用于图像分类和特征提取的先进模型

GithubHuggingfaceImageNetVision Transformertimm图像分类开源项目模型深度学习

此Vision Transformer模型专注于图像分类和特征提取任务。经ImageNet-21k预训练和ImageNet-1k微调，采用先进的数据增强和正则化方法。支持384x384像素输入，拥有8690万参数。不仅可进行图像分类，还能生成图像嵌入。源自Google Research，经Ross Wightman移植到PyTorch，现已成为timm库的重要组成部分。

video_features - 多模态视频特征提取框架支持多种深度学习模型

GitHub项目Github多模态分析开源项目深度学习模型视频特征提取计算机视觉

video_features是一个开源的视频特征提取框架，支持视觉、音频和光流等多种模态。该框架集成了S3D、R(2+1)d、I3D-Net等动作识别模型，VGGish声音识别模型，以及RAFT光流提取模型。它支持多GPU和多节点并行处理，可通过命令行或Colab快速使用。输出格式灵活，适用于视频分析相关的研究和应用。

TATS - 创新长视频生成框架基于时间无关VQGAN和时间敏感Transformer

GithubTATSTransformerVQGAN开源项目视频生成长视频生成

TATS项目是一个创新的长视频生成框架，通过结合时间无关的VQGAN和时间敏感的Transformer模型，实现了高效的长视频生成。该技术仅需使用数十帧视频进行训练，就能利用滑动窗口方法生成包含数千帧的连贯视频。TATS支持无条件生成以及基于文本、音频等条件的视频生成，为视频内容创作开辟了新的可能性。

TemporalKit - 优化Stable Diffusion视频的时间稳定性和连贯性

EbSynthGithubStable DiffusionTemporalKit关键帧开源项目视频处理

TemporalKit是Stable Diffusion的扩展插件,旨在提高AI生成视频的时间稳定性。该工具支持关键帧提取、图像处理和EbSynth集成,可生成流畅连贯的视频效果。它简化了视频处理流程,支持批量处理,并提供详细教程。TemporalKit适合需要提升AI视频质量的创作者使用,有助于生成更加稳定和连贯的视频内容。

efficientnetv2_rw_t.ra2_in1k - EfficientNet-v2的模型特点与应用分析

EfficientNet-v2GithubHuggingfaceImageNet-1ktimm图像分类开源项目模型特征提取

EfficientNet-v2是一个专注于图像分类的高效模型，采用RandAugment策略在ImageNet-1k数据集上训练，具有参数少、训练快的特点。通过timm库实现，支持特征图提取和图像嵌入等多种功能。其结构设计为强大的特征骨干提供了基础。

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