V

Vit So400m Patch14 Siglip Gap 224.v2 Webli

由 timm 开发
基于SigLIP 2的ViT图像编码器,采用全局平均池化,移除了注意力池化头,适用于图像特征提取任务。
下载量 179
发布时间 : 2/21/2025
模型介绍
内容详情
替代品

模型简介

这是一个专为timm设计的SigLIP 2 ViT图像编码器,等效于HuggingFace上的ViT-SO400M-14-SigLIP2模型的图像塔部分。该gap变体使用全局平均池化替代了注意力池化头。

模型特点

SigLIP 2架构
采用改进的SigLIP 2架构,具有更好的语义理解、定位和密集特征提取能力
全局平均池化
使用全局平均池化(gap)替代注意力池化头,简化模型结构
大规模预训练
在webli数据集上进行预训练,具有强大的视觉表示能力

模型能力

图像特征提取
视觉语义理解
图像定位
密集特征提取

使用案例

计算机视觉
图像分类
可作为图像分类任务的特征提取器
视觉问答
为视觉问答系统提供图像特征表示
多模态应用
图文匹配
用于图文匹配任务中的图像编码