利用视觉 Transformer（ViT）模型来预测一幅艺术图像是否是通过人工智能生成的。
Updated 2024-12-31 15:21:36 +08:00
在 ImageNet-1k 上以 240x240 的分辨率训练的 EfficientNet 模型。
Updated 2024-12-31 15:06:05 +08:00
WD SwinV2 Tagger v3 with transformers
Updated 2024-12-30 17:46:31 +08:00
该模型是 Kaggle 上提供的 gpiosenka/100-bird-species 数据集上 google/efficientnet-b2 的微调版本。
Updated 2024-12-30 17:02:50 +08:00
此模型旨在用于图像分类和相似性搜索。
Updated 2024-12-30 16:24:20 +08:00
带有注意力机制的视觉 Transformer（ViT）
Updated 2024-12-27 17:46:29 +08:00
此模型是 cifar10 数据集上 google/vit-base-patch16-224-in21k 的微调版本。
Updated 2024-12-27 17:29:35 +08:00
BEiT 模型在 ImageNet-21k（1400 万张图像，21841 个类别）上以自我监督的方式以 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 224x224 的分辨率进行微调。
Updated 2024-12-26 14:47:28 +08:00
在224x224分辨率下预训练并在384x384分辨率下微调的蒸馏数据高效图像Transformer（DeiT）模型，使用ImageNet-1k（100万张图像，1000个类别）进行训练。
Updated 2024-12-26 14:13:43 +08:00
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 2024-12-26 13:49:01 +08:00
Swin Transformer 模型在 ImageNet-21k（1400 万张图像，21841 个类）上以 384x384 的分辨率进行预训练。
Updated 2024-12-26 11:09:28 +08:00
此模型是 imagefolder 数据集上 google/vit-base-patch16-224-in21k 的微调版本。
Updated 2024-12-25 17:41:01 +08:00
该模型的使用方式与 ViT-base相同。
Updated 2024-12-25 16:33:45 +08:00
UForm-Gen 是一种小型生成式视觉语言模型，主要用于图像描述和视觉问答。
Updated 2024-12-25 16:15:48 +08:00