OpenVision-ViT-Tiny 是一个全开放、高性价比的先进视觉编码器，属于 OpenVision 家族的一部分，专注于多模态学习。

OpenVision是一个全开放、高性价比的先进视觉编码器家族，专注于多模态学习。

OpenVision是一个全开放、高性价比的先进视觉编码器家族，专注于多模态学习。

OpenVision是一个全开放、高性价比的先进视觉编码器家族，专注于多模态学习。

AIM-v2是一个基于timm库的图像编码器模型，具有10亿参数规模，适用于图像特征提取任务。

基于HieraDet图像编码器的SAM2模型，专注于图像特征提取任务。

基于HieraDet图像编码器的SAM2模型，专注于图像特征提取任务。

基于HieraDet图像编码器的SAM2模型权重，专注于图像特征提取任务

基于HieraDet图像编码器的SAM2模型，专注于图像特征提取任务。

基于CLIP框架的ResNet101图像编码器，通过全局平均池化(GAP)提取图像特征

I-JEPA是一种自监督学习方法，通过图像部分表征预测同一图像其他部分的表征，无需依赖预设的手工数据变换或像素级细节填充。

I-JEPA是一种自监督学习方法，通过图像部分表征预测同一图像其他部分的表征，无需依赖预设的手工数据变换或像素级细节填充。

首个结合Mamba与Transformer优势的计算机视觉混合模型，通过重新设计Mamba公式增强视觉特征建模能力，并在Mamba架构中融入自注意力模块提升长程空间依赖建模。

SSCD 是一个用于图像复制检测的深度学习模型，能够提取图像特征并进行相似度比较。

基于Vision Transformer（ViT）的图像分类模型，由Google Research在JAX框架下使用ImageNet-21k预训练，后移植到PyTorch。

基于Vision Transformer的图像分类模型，在ImageNet-21k上预训练，适用于特征提取和微调

EVA02是一个视觉Transformer模型，通过掩码图像建模在ImageNet-22k上预训练，适用于图像分类和特征提取任务。

EVA02特征/表示模型，通过掩码图像建模在ImageNet-22k上预训练，适用于图像分类和特征提取任务。

EVA02基础版视觉表示模型，通过掩码图像建模在ImageNet-22k上预训练，适用于图像分类和特征提取任务。

基于ResNet-50微调的人脸分类模型，在评估集上准确率达到94.16%

基于Google Vision Transformer (ViT)架构微调的卡通人脸识别模型，在图像分类任务上表现优异

ConvNeXt-V2自监督特征表示模型，采用全卷积掩码自编码器框架(FCMAE)进行预训练，适用于图像分类和特征提取任务。

基于视觉Transformer（ViT）的图像特征模型，采用自监督DINO方法训练，适用于图像分类和特征提取任务。

基于视觉Transformer(ViT)的自监督图像特征提取模型，采用DINO方法训练

基于Vision Transformer (ViT)架构的图像分类模型，在ImageNet-21k数据集上预训练，适用于特征提取和微调场景。

基于自监督DINO方法训练的Vision Transformer（ViT）图像特征模型，适用于图像分类和特征提取任务。

基于自监督DINO方法训练的视觉Transformer（ViT）图像特征模型，适用于图像分类和特征提取任务。

基于ResNet-34架构的草图分类器，在TU-Berlin数据集上进行了微调训练，适用于草图识别和分类任务。

使用DINO自监督学习方法预训练的ResNet-50模型，适用于视觉特征提取任务

该视觉Transformer模型采用MSN方法预训练，在少样本场景下表现优异，适用于图像分类等任务

RegNet是一种通过神经架构搜索设计的图像分类模型，在imagenet-1k数据集上训练。

基于imagenet-1k训练的RegNet模型，通过神经架构搜索设计的高效视觉模型

该视觉变换器（ViT）模型在ImageNet-21k数据集上以224x224分辨率进行了预训练，适用于图像分类任务。

基于ImageNet-21k预训练的视觉Transformer模型，采用超大尺寸架构，适用于图像分类等视觉任务。