V

Vit Base Patch16 Siglip Gap 384.v2 Webli

由 timm 开发
基于SigLIP 2的ViT图像编码器,使用全局平均池化(GAP)替代注意力池化头,适用于图像特征提取任务。
下载量 105
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SigLIP 2的视觉变换器(ViT)实现,专门用于提取图像特征。移除了注意力池化头,改用全局平均池化,适合需要密集特征的视觉任务。

模型特点

全局平均池化
使用GAP替代注意力池化头,简化模型结构同时保留重要特征
SigLIP 2改进
基于SigLIP 2架构,具有改进的语义理解、定位和密集特征能力
高分辨率支持
支持384×384分辨率输入,适合需要精细特征的任务

模型能力

图像特征提取
视觉语义理解
密集特征生成

使用案例

计算机视觉
图像检索
提取图像特征用于相似图像搜索
视觉定位
识别图像中的特定对象或区域
多模态应用
视觉-语言任务
作为视觉编码器用于图文匹配等任务