基于视觉变换器（ViT）微调的面部情绪识别模型，支持7种表情分类

基于Google的ViT-base模型微调的面部情绪识别模型，在测试集上达到91%的准确率。

基于人脸图像的高精度性别分类模型，准确率约98.7%

基于ViT的面部表情识别模型，在FER2013、MMI和AffectNet数据集上微调，支持七种情绪分类

基于ViT的面部表情识别模型，在FER2013、MMI和AffectNet数据集上微调，能够识别七种基本情绪

ResMaskNet是一种结合残差掩码机制与U-Net架构的卷积神经网络，用于面部情绪识别。

基于Vision Transformer的面部吸引力评分模型，可对输入的面部图像返回0到1的吸引力评分，准确率约为83%。

该模型由Rudolf Enyimba训练完成，用于检测深度伪造图像，测试准确率达98.70%。

基于预训练模型微调的面部表情识别模型，能有效识别八种不同面部表情。

MiewID-msv3是一个通过对比学习训练的特征提取器，用于在包含64种陆生和水生野生物种的大规模高质量数据集上进行个体重识别。

使用Vision Transformer (ViT)架构训练的模型，用于根据面部图像预测年龄区间

一个基于PyTorch的面部情绪识别模型，在FER2013数据集上训练，准确率达到91.9%。

基于ViT架构的面部表情识别模型，在imagefolder数据集上微调，准确率达91.77%

一个基于MS1MV3数据集训练的视觉变换器(ViT)模型，专门用于人脸识别任务。

基于DINOv2架构的活体检测模型，用于区分真实人脸与伪造攻击，在评估集上达到99.32%的准确率。

该模型使用Google的ViT-base架构，通过面部图像预测是否存在胡须，在测试集上达到100%准确率。

一个基于MS1MV3数据集训练的视觉变换器(ViT)模型，专门用于人脸识别任务。

本模型是基于Google的ViT架构在图像文件夹数据集上微调的人脸识别模型，在评估集上取得了接近完美的准确率。

本模型是基于Transformer库的人脸活体检测模型，在评估集上取得了优异的性能。

一个基于PyTorch和HuggingPics构建的图像分类模型，专门用于人脸识别任务

基于关键点相对位置编码的人脸识别模型，采用ViT架构并在WebFace12M数据集上训练

一个先进的实时系统，能够准确检测和分类眼睛和眉毛的细微动作，包括'是'、'否'和'正常'三种动作。

基于YOLOv8/YOLO11架构的快速种族分类模型，训练于FairFace数据集，用于面部种族分类任务。

基于MS1MV3数据集训练的ConvNeXt-Nano人脸识别模型，兼容timm框架

基于microsoft/resnet-50微调的卡通人脸识别模型，在图像分类任务上表现良好。

基于Google Vision Transformer (ViT)架构微调的卡通人脸识别模型，在图像分类任务上表现优异

Sapiens是基于3亿张高分辨率人类图像预训练的视觉Transformer模型，专注于以人为中心的视觉任务。

基于ArcFace损失函数的深度人脸识别模型，使用IR101架构在WebFace4M数据集上训练

Retinaface是基于MobileNet或ResNet50骨干网络的轻量级人脸检测模型，可高效定位人脸并提供面部关键点坐标。

该模型是基于Google的ViT基础模型在FER2013数据集上微调的面部表情分类器，可将图像分类为四种面部表情。

基于ResNet-50架构微调的面部表情识别模型，在FER2013和CKPlus数据集上训练

适用于Unity Sentis的面部关键点检测模型，可检测468个3D面部标记点，用于控制网格变形等应用。

Sapiens-2B是基于3亿张高分辨率人类图像预训练的视觉Transformer模型，专为以人为中心的视觉任务设计，具有卓越的泛化能力。

一个基于MS1MV3数据集训练的视觉变换器(ViT)模型，专为人脸识别任务设计

基于微软BEiT模型在FER2013数据集上微调的面部表情识别模型

基于google/vit-base-patch16-224-in21k微调的视觉模型，用于面部表情识别任务