MambaVision是首个结合曼巴(Mamba)与Transformer优势的计算机视觉混合模型，通过重新设计曼巴公式增强视觉特征建模能力，并在曼巴架构最后几层加入自注意力模块提升长距离空间依赖建模能力。

首个结合曼巴(Mamba)与Transformer优势的混合计算机视觉模型，通过重构曼巴公式增强视觉特征建模能力

ConvNeXt V2是一种纯卷积模型，采用FCMAE框架预训练，并在ImageNet-22K数据集上微调，显著提升了纯卷积网络的识别性能。

ConvNeXt V2是一种纯卷积模型，采用FCMAE框架预训练，并在ImageNet-22K数据集上微调，显著提升了纯卷积模型在多种识别基准上的性能。

EfficientNet是一种高效的卷积神经网络，通过统一缩放深度、宽度和分辨率实现高性能图像分类

Swin Transformer v2是基于ImageNet-21k预训练并在384x384分辨率下对ImageNet-1k进行微调的视觉Transformer模型，具有分层特征图和局部窗口自注意力机制。

Swin Transformer v2是一种视觉Transformer模型，通过分层特征图和局部窗口自注意力机制实现高效的图像分类和密集识别任务。

Swin Transformer v2是一种视觉Transformer模型，通过分层特征图和局部窗口自注意力机制实现高效的图像分类。

Swin Transformer v2是一种视觉Transformer模型，通过分层特征图和局部窗口自注意力机制实现高效的图像分类和密集识别任务。

Swin Transformer v2是一种视觉Transformer模型，通过分层特征图和局部窗口自注意力机制实现高效的图像分类和密集识别任务。

Swin Transformer v2 是一种视觉Transformer模型，通过分层特征图和局部窗口自注意力机制实现高效的图像处理。

Swin Transformer v2是基于ImageNet-1k预训练的视觉Transformer模型，采用分层特征图和局部窗口自注意力机制，具有线性计算复杂度。

CvT-w24是基于ImageNet-22k预训练并在384x384分辨率下微调的视觉变换器模型，通过引入卷积改进传统视觉变换器。

CvT-21是基于卷积视觉变换器架构的图像分类模型，在ImageNet-1k数据集上以384x384分辨率预训练。

CvT-21是一种结合卷积和Transformer架构的视觉模型，在ImageNet-22k上预训练并在ImageNet-1k上微调

CvT-13是一种结合卷积和Transformer的视觉模型，在ImageNet-22k上预训练并在ImageNet-1k上微调，适用于图像分类任务。

CvT-13是基于ImageNet-1k数据集预训练的视觉变换器模型，通过引入卷积操作改进了传统视觉变换器的性能。

Swin Transformer是一种基于移位窗口的分层视觉Transformer模型，专为图像分类任务设计。

BEiT是一种基于视觉Transformer的图像分类模型，通过自监督方式在ImageNet-21k上预训练，并在ImageNet-1k上微调。

Swin Transformer是一种基于分层窗口的视觉Transformer模型，在ImageNet-21k数据集上预训练，适用于图像分类任务。

Vision Transformer（ViT）是一种基于Transformer架构的图像分类模型，先在ImageNet-21k上预训练，后在ImageNet上微调。

视觉变换器（ViT）是一种基于变换器架构的图像分类模型，先在ImageNet-21k上预训练，后在ImageNet上微调。

该视觉Transformer（ViT）模型先在ImageNet-21k数据集上预训练，后在ImageNet数据集上微调，适用于图像分类任务。

Swin Transformer是一种基于移位窗口的分层视觉Transformer模型，专为图像分类任务设计。

Vision Transformer（ViT）是一种基于Transformer架构的图像分类模型，通过在ImageNet-21k和ImageNet数据集上进行预训练和微调，实现了高效的图像识别能力。