C

Cvt 13 384

microsoftによって開発
CvT-13はImageNet-1kデータセットで事前学習されたビジョントランスフォーマーモデルで、畳み込み操作を導入することで従来のビジョントランスフォーマーの性能を改善しました。
ダウンロード数 27
リリース時間 : 4/4/2022

モデル概要

このモデルは畳み込みニューラルネットワークとトランスフォーマーの利点を組み合わせ、384x384解像度での画像分類タスクを実行し、1000のImageNetカテゴリ認識をサポートします。

モデル特徴

畳み込み-トランスフォーマーハイブリッドアーキテクチャ
CNNの局所的特徴抽出能力とTransformerのグローバルモデリング能力を組み合わせる
高解像度処理
384x384解像度の画像入力をサポート
ImageNet事前学習
ImageNet-1kデータセットで事前学習され、1000クラスの物体認識をサポート

モデル能力

画像分類
物体認識
視覚的特徴抽出

使用事例

コンピュータビジョン
一般的な物体認識
画像内の一般的な物体カテゴリを認識
1000種類のImageNetカテゴリを正確に分類可能
視覚的コンテンツ分析
画像内容を分析し意味情報を抽出
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase