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
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers

支持多种语言
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers

英语
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统
中文
R
uer
2,694
98
AIbase是一个专注于MCP服务的平台,为AI开发者提供高质量的模型上下文协议服务,助力AI应用开发。
简体中文