LeViT-128S 模型在 ImageNet-1k 上以 224x224 的分辨率进行预训练。Graham 等人在论文 LeViT： a Vision Transformer in ConvNet's Clothing for Faster Inference 中介绍了它。
Updated 2024-11-06 17:07:30 +08:00
1221321
Updated 2024-11-06 16:48:01 +08:00
12213
Updated 2024-11-06 16:47:52 +08:00
111
Updated 2024-11-06 16:47:43 +08:00
333
Updated 2024-11-06 16:47:36 +08:00
12312
Updated 2024-11-06 16:47:15 +08:00
PVTv2模型的PyTorch实现。
Updated 2024-11-06 16:04:51 +08:00
AI生成图像检测器
Updated 2024-11-06 15:34:44 +08:00
这个模型是通过在Wikimedia-SDXL图像对数据集上微调umm-maybe AI艺术检测器创建的，其中SDXL图像是使用基于BLIP生成的描述Wikimedia图像的提示生成的
Updated 2024-11-06 14:46:04 +08:00
TexTeller 是一种基于 ViT 的模型，专为端到端公式识别而设计。它可以识别自然图像中的公式并将其转换为 LaTeX 风格的公式。
Updated 2024-11-06 14:19:50 +08:00
ViT hybrid 是普通 Vision Transformer 的一个小变体，它利用卷积主干（特别是 BiT），其功能用作 Transformer 的初始“令牌”。
Updated 2024-11-06 13:58:40 +08:00
一个经过微调的vision transformer，用于对给定人脸的年龄进行分类。
Updated 2024-11-06 10:55:14 +08:00
这个模型是在chest-xray-classification数据集上对google/vit-base-patch16-224-in21k进行微调后的版本。
Updated 2024-11-06 10:08:55 +08:00
性别分类
Updated 2024-11-05 17:33:35 +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 2024-11-05 10:54:38 +08:00
变形检测变换器（Deformable DEtection TRansformer, DETR），在DocLayNet上进行训练（包括11个类别的8万页标注页面）。
Updated 2024-11-04 16:52:54 +08:00