CLIP ViT-B/32

Detection Transformers (DETR)

AI 模型

DETR 是一种端到端的对象检测和全景分割框架，将 Transformer 作为核心组件集成。它简化了架构，直接预测对象集，并在 COCO 等具有挑战性的数据集上达到了最先进的性能，为计算机视觉任务提供了更灵活、更精简的方法。

BEiT 图像 Transformer

AI 模型

自监督视觉表示模型，它使用掩码图像建模来预训练视觉 Transformer。它将图像分词为视觉标记，并恢复被掩码的图像块，在图像分类和语义分割等下游任务上取得了有竞争力的结果。BEiT 是一个自监督视觉表示模型，它使用掩码图像建模来预训练视觉 Transformer。它将图像分词为视觉标记，并恢复被掩码的图像块，在图像分类和语义分割等下游任务上取得了有竞争力的结果。

TimeSformer 视频理解

AI 模型

新颖的 AI 架构，专门利用自注意力 Transformer 进行视频理解。它在动作识别基准测试中取得了最先进的成果，与传统的 3D CNN 相比，训练速度显著加快，推理计算成本更低。这使得更复杂的视频分析和实时应用成为可能。TimeSformer 是一种新颖的 AI 架构，专门利用自注意力 Transformer 进行视频理解。它在动作识别基准测试中取得了最先进的成果，与传统的 3D CNN 相比，训练速度显著加快，推理计算成本更低。这使得更复杂的视频分析和实时应用成为可能。

计算机视觉工具箱 - MATLAB

AI 应用

提供用于设计和测试计算机视觉系统的算法和应用，包括视觉检查、物体检测和特征匹配。它支持诸如卷积神经网络（CNN）和视觉变换器等人工智能技术，用于图像分类和分割等任务。计算机视觉工具箱提供用于设计和测试计算机视觉系统的算法和应用，包括视觉检查、物体检测和特征匹配。它支持诸如卷积神经网络（CNN）和视觉变换器等人工智能技术，用于图像分类和分割等任务。

ViT-Adapter

AI GitHub 仓库

人工智能模型，可提高 Vision Transformer (ViT) 在目标检测和分割等密集预测任务上的性能。它在无需预训练的情况下引入了特定于图像的归纳偏置，使普通 ViT 能够取得与专用 Transformer 相当的结果，从而适用于各种下游应用。ViT-Adapter 是一款人工智能模型，可提高 Vision Transformer (ViT) 在目标检测和分割等密集预测任务上的性能。它在无需预训练的情况下引入了特定于图像的归纳偏置，使普通 ViT 能够取得与专用 Transformer 相当的结果，从而适用于各种下游应用。

siglip-so400m-patch14-384模型

AI 模型

SigLIP是一个形状优化的多模态模型，预训练于WebLi，旨在实现零样本图像分类和图像-文本检索。它使用sigmoid损失函数以提高性能和可扩展性。

Meta Segment Anything Model 2

AI 模型

统一的图像和视频分割模型。它支持通过点击、框选或掩码进行快速、精确的对象选择，在各种应用中提供强大的零样本性能和实时交互性。Meta Segment Anything Model 2 (SAM 2) 是一款统一的图像和视频分割模型。它支持通过点击、框选或掩码进行快速、精确的对象选择，在各种应用中提供强大的零样本性能和实时交互性。

Florence-2 模型

AI 模型

微软开发的先进视觉基础模型，旨在处理各种视觉和视觉语言任务。它采用基于提示的方法来处理诸如图像描述和物体检测等任务，利用庞大的数据集进行多任务学习。Florence-2 是微软开发的先进视觉基础模型，旨在处理各种视觉和视觉语言任务。它采用基于提示的方法来处理诸如图像描述和物体检测等任务，利用庞大的数据集进行多任务学习。