Project Icon

VideoGPT-plus

双编码器融合提升视频理解能力

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。

Qwen2-VL-2B-Instruct-GPTQ-Int4 - Qwen2-VL推动多模态与自动化的跨语言视觉处理进步
GithubHuggingfaceQwen2-VL多模态多语言支持开源项目机器人人工智能模型视频理解
Qwen2-VL具备先进的多模态处理能力,支持高分辨率图像和长时视频理解,适用于视频问答及自动化设备控制。支持包括欧洲语言、日语、韩语、阿拉伯语等多语言文本理解。更新的分辨率处理和位置嵌入技术提升了视觉感知性能。
MovieChat - 高效长视频处理工具
AIGithubMovieChat开源项目机器学习视频理解长视频
MovieChat能够在24GB显卡上处理超过1万帧的视频,与其他方法相比,GPU显存成本平均减少10000倍(21.3KB/f到约200MB/f)。它集成了视频问答、情感分析和场景理解等功能,显著提高了长视频处理的效率和准确性,适用于大型视频数据集和复杂视频场景的智能问答系统。
LLaVA-Video-7B-Qwen2 - 基于Qwen2的多模态视频理解与交互模型
GithubHuggingfaceLLaVA-VideoQwen2人工智能多模态模型开源项目模型视频指令微调
LLaVA-Video-7B-Qwen2是基于Qwen2语言模型的7B参数多模态模型,专注于视频理解和交互。该模型支持处理最多64帧的视频,可进行图像、多图像和视频的交互。经LLaVA-Video-178K和LLaVA-OneVision数据集训练,具备32K tokens的上下文窗口。在ActNet-QA、EgoSchema和MLVU等多个视频理解基准测试中表现出色。模型提供了简便的代码,方便研究人员生成视频描述和回答相关问题。
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。
Tarsier-7b - 开源大规模视频语言模型,提升视频描述和理解能力
GithubHuggingfaceTarsier人工智能开源项目机器学习模型视频描述计算机视觉
Tarsier-7b是一个开放源代码的视频语言模型,专注于视频描述和理解。该模型使用两阶段的训练策略以增强性能,能够生成高质量的视频描述。训练过程包括多任务预训练和多粒度微调,并通过多种数据集进行评估,从而保证出色性能。适合从事计算机视觉与自然语言处理研究的研究人员和爱好者使用,可在相关平台获取更多信息。
Vlogger - 多模型协作生成长视频博客的AI系统
AI系统GithubShowMakerVlogger大语言模型开源项目视频生成
Vlogger是一个创新AI系统,可根据文本描述生成分钟级视频博客。该系统利用大型语言模型作为导演,将长视频生成任务分解为四个阶段,并调用多种基础模型扮演专业角色。Vlogger引入了视频扩散模型ShowMaker,融合文本和视觉提示以增强空间-时间连贯性。系统能从开放描述生成超过5分钟的连贯vlogs,在脚本和演员方面保持一致性。
DiffusionGPT - LLM驱动的多功能文本转图像生成系统
DiffusionGPTGithub人工智能图像生成大语言模型开源项目文本生成图像
DiffusionGPT是一个利用大型语言模型(LLM)的文本到图像生成系统。该系统能适应多种类型的提示,并整合专业领域模型。DiffusionGPT通过LLM技术,提供了一个统一的生成平台,可处理多样化的输入并生成图像。项目提供开源代码、在线演示和使用指南,方便研究人员和开发者进行实验和应用。
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。
Awesome_Long_Form_Video_Understanding - 长视频理解研究前沿进展与资源综述
Github人工智能开源项目深度学习视频分析计算机视觉长视频理解
这是一个综合性长视频理解研究资源库,涵盖表征学习、高效建模、大语言模型等多个子领域。项目汇总了前沿研究论文、数据集和工具,对各子任务进行了系统梳理。为长视频理解研究者提供了全面的参考资源,有助于推动该领域的发展。
MedicalGPT - 优化医疗GPT模型,提升医疗对话系统的响应与精确性
GithubMedicalGPT医患对话医疗大模型开源项目强化学习微调
MedicalGPT项目采用多阶段方法如增量预训练、精细微调及奖励建模强化学习,优化医疗GPT模型,增强医疗对话与问答系统的性能。模型以人类反馈为基础,通过直接偏好优化和强化学习策略,调整生成对话的质量与人类偏好的契合度,提供科学准确的医疗咨询,项目持续接入先进的医疗语言处理技术,应对医疗领域的需求变化。
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