# ViTバックボーンネットワーク

AerialMegaDepthは航空写真からの3Dシーン再構築と新規視点生成に特化した深層学習モデルです。

Transformerアーキテクチャに基づくセマンティックセグメンテーションモデルで、ADE20Kデータセットに最適化されています

Vision Transformer（ViT）ベースの画像分類モデルで、Google ResearchがJAXフレームワークでImageNet-21kで事前学習後、PyTorchに移植。特徴抽出やファインチューニングに適しています。

Vision Transformer (ViT)ベースの画像分類モデルで、ImageNet-21kで事前学習されており、特徴抽出やファインチューニングのシナリオに適しています。

Vision Transformerに基づく画像分類モデルで、ImageNet-21kで事前学習されており、特徴抽出やファインチューニングに適しています

Segment-Anythingビジョントランスフォーマー（SAM ViT）画像特徴モデル、特徴抽出とファインチューニング機能のみを含み、セグメンテーションヘッドは含まれません。

Segment-Anythingビジュアルトランスフォーマー（SAM ViT）画像特徴モデル、特徴抽出とファインチューニング機能のみを含み、分割ヘッドは含まれません。

Vision Transformer（ViT）ベースの画像特徴モデル、自己教師ありDINOv2手法でLVD-142Mデータセット上で事前学習済み

Vision Transformer(ViT)ベースの画像特徴抽出モデル。自己教師ありマスク自己エンコーダ(MAE)手法を用いてImageNet-1kデータセットで事前学習済み

OWL-ViTはゼロショットテキスト条件付き物体検出モデルで、テキストクエリを使用して画像内の物体を検出できます。