V

Vit Large Patch16 Siglip Gap 256.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,专为图像特征提取设计。
下载量 95
发布时间 : 2/21/2025
模型介绍
内容详情
替代品

模型简介

该模型是一个视觉变换器(ViT)架构的图像编码器,使用SigLIP 2方法进行预训练,适用于图像特征提取任务。

模型特点

SigLIP 2预训练
使用改进的SigLIP 2方法进行预训练,具有更好的语义理解和定位能力
全局平均池化
采用全局平均池化替代注意力池化头,简化模型结构
密集特征提取
能够提取高质量的图像密集特征

模型能力

图像特征提取
视觉语义理解
图像定位

使用案例

计算机视觉
图像检索
利用提取的图像特征进行相似图像搜索
视觉问答
作为视觉-语言模型中的图像编码器组件