AIbase

V

Vit So400m Patch16 Siglip 256.webli I18n

由 timm 开发
基于SigLIP的视觉Transformer模型，专注于图像特征提取，采用原始注意力池化机制。
图像分类
Transformers
开源协议:Apache-2.0#多语言图像编码#SigLIP注意力池化#零样本图像分类
下载量 15
发布时间 : 12/24/2024
模型介绍
内容详情
替代品

模型简介

该模型是一个视觉Transformer（ViT）架构的图像编码器，采用SigLIP（Sigmoid Loss for Language-Image Pre-training）方法进行训练，适用于多语言场景下的图像特征提取任务。

模型特点

SigLIP训练方法
采用Sigmoid Loss进行语言-图像预训练，优化跨模态表示学习。
原始注意力池化
保留原始注意力机制进行特征池化，增强特征表示能力。
多语言支持
针对国际化场景优化，支持多语言文本与图像的关联学习。

模型能力

图像特征提取
跨模态表示学习
多语言图像理解

使用案例

计算机视觉
图像检索
通过提取高质量图像特征实现精准的图像检索。
提升跨模态检索的准确率
多语言图像标注
为图像生成多语言描述或标签。
支持多语言环境下的图像理解
跨模态应用
图文匹配
判断图像与文本描述的相关性。
增强图文关联分析的准确性