Vision Transformer （ViT） 模型在 ImageNet-21k（1400 万张图像，21843 个类别）上以 224x224 的分辨率进行预训练，并在 ImageNet 2012（100 万张图像，1000 个类别）上以 384x384 的分辨率进行微调。
Updated 2024-12-04 17:10:49 +08:00
在 ImageNet-1k 上以 224x224 的分辨率训练的 ConvNeXT 模型。
Updated 2024-12-04 16:02:37 +08:00
根据人脸图像给出面部情感分类。
Updated 2024-12-04 15:36:39 +08:00
BLIP-2 由 3 个模型组成：一个类似 CLIP 的图像编码器、一个查询转换器 （Q-Former） 和一个大型语言模型。
Updated 2024-12-04 14:59:28 +08:00
MGP-STR 是纯视觉 STR 模型，由 ViT 和专门设计的 A^3 模块组成。
Updated 2024-12-04 14:22:30 +08:00
GIT（GenerativeImage2Text 的缩写）模型，在 COCO 上进行了微调。
Updated 2024-12-04 14:10:01 +08:00
Detection Transformers with Assignment
Updated 2024-12-04 13:38:22 +08:00
dsf
Updated 2024-12-03 18:04:23 +08:00
Skywork-o1-Open-Llama-3.1-8B
Updated 2024-12-03 16:22:22 +08:00