AIbase

V

Vit Base Patch16 Siglip 512.webli

由 timm 开发
基于SigLIP架构的视觉Transformer模型，仅包含图像编码器部分，采用原始注意力池化机制
图像分类
Transformers
开源协议:Apache-2.0#视觉-语言预训练#零样本图像分类#注意力池化
下载量 702
发布时间 : 12/24/2024
模型介绍
内容详情
替代品

模型简介

该模型是基于SigLIP架构的视觉Transformer，专注于图像特征提取任务。它采用Vision Transformer (ViT)结构，特别适用于需要高质量图像表示的下游任务。

模型特点

SigLIP架构
采用SigLIP架构，专注于图像编码任务，具有高效的注意力机制
原始注意力池化
使用原始注意力池化方法，保留更多图像特征信息
ViT-B-16基础
基于Vision Transformer Base 16架构，平衡性能和计算效率

模型能力

图像特征提取
视觉表示学习

使用案例

计算机视觉
图像分类
作为特征提取器用于图像分类任务
视觉搜索
为视觉搜索系统提供高质量的图像表示
多模态应用
图像-文本匹配
作为视觉编码器用于跨模态匹配任务