AIbase

V

Vit Huge Patch14 Clip 378.dfn5b

由 timm 开发
DFN5B-CLIP的视觉编码器部分，基于ViT-Huge架构，使用378x378分辨率图像训练的CLIP模型
图像分类
Transformers
开源协议:其他#大规模视觉特征提取#零样本图像分类#高分辨率图像处理
下载量 461
发布时间 : 12/26/2024
模型介绍
内容详情
替代品

模型简介

该模型是CLIP（Contrastive Language-Image Pretraining）的视觉编码器部分，专门用于从图像中提取高级特征表示。基于Vision Transformer (ViT)架构，适用于各种计算机视觉任务。

模型特点

高分辨率处理
支持378x378像素的高分辨率图像输入，能够捕捉更精细的视觉特征
CLIP兼容性
作为CLIP模型的视觉编码器部分，可与文本编码器配合实现跨模态理解
ViT-Huge架构
基于Vision Transformer的大规模架构，具有强大的特征提取能力

模型能力

图像特征提取
视觉表示学习
跨模态对齐

使用案例

计算机视觉
图像分类
利用提取的图像特征进行分类任务
图像检索
基于视觉相似性的图像搜索
多模态应用
图文匹配
与文本编码器结合实现图文相关性判断