# ゼロショット転移

CLIP-ViT-B/32をファインチューニングした視覚言語モデルで、画像-テキストマッチングタスクに適しています

OpenVisionは、完全にオープンでコスト効率の高い高度なビジョンエンコーダのファミリーで、マルチモーダル学習に使用されます。

OpenVisionは完全オープンソースで高コストパフォーマンスな先進的な視覚エンコーダーファミリーで、マルチモーダル学習向けに設計されており、性能はOpenAI CLIPに匹敵またはそれを上回ります。

OpenVisionは、マルチモーダル学習のための完全オープンソースでコスト効率の高い高度な視覚エンコーダーファミリーです。

ViCA2は動画理解と視覚空間認知タスクに特化したマルチモーダル視覚言語モデルです。

ViCA2は70億パラメータ規模のマルチモーダル視覚言語モデルで、動画理解と視覚空間認知タスクに特化しています。

BLIPは統一された視覚-言語事前学習フレームワークで、画像キャプション生成などの視覚-言語タスクに優れています

Whisper-baseをファインチューニングした多言語音声認識モデルで、国際音声記号(IPA)出力をサポート

SigLIP 2 ViTモデル、画像エンコーダ部分のみを含み、画像特徴抽出用、WebLIデータセットで学習。

SigLIP 2アーキテクチャに基づく視覚Transformerモデルで、画像特徴抽出のために設計され、webliデータセットで事前学習されています。

SigLIP 2アーキテクチャに基づく視覚Transformerモデル、画像特徴抽出のために設計され、webliデータセットで事前学習済み

SigLIP 2アーキテクチャに基づく視覚Transformerモデルで、画像特徴抽出のために設計され、webliデータセットでトレーニングされました

SigLIP 2に基づくViT画像エンコーダー、timm向けに設計され、視覚言語タスクに適している

SigLIP 2に基づくViT画像エンコーダーで、グローバル平均プーリングを採用し、注意プーリングヘッドを削除、画像特徴抽出に適しています。

SigLIP 2ベースの視覚トランスフォーマーモデル、画像特徴抽出用に設計、webliデータセットで事前学習済み

SigLIP 2に基づくViTモデルで、画像特徴抽出に特化し、webliデータセットで学習済み

COCOデータセットで事前学習された視覚言語モデルで、正確な画像キャプション生成に優れています

Snowflake Arctic Embed M v2.0 は多言語文埋め込みモデルで、文類似度タスクに特化しており、50以上の言語をサポートしています。

AIM-v2はtimmライブラリに基づく画像エンコーダーモデルで、画像特徴抽出タスクに適しています。

CLIPアーキテクチャに基づくViT-Huge画像エンコーダーで、AppleがリリースしたDFN5B-CLIPモデル。視覚特徴抽出タスクに適しています。

CLIPアーキテクチャに基づくConvNeXt-Large画像エンコーダー、LAION-2Bデータセットでファインチューニング済み、320x320解像度の画像特徴抽出に対応

CLIPフレームワークに基づくConvNeXt-Large画像エンコーダー、LAION-2Bデータセットでトレーニング済み、視覚特徴抽出をサポート

VesselFMは、任意の画像領域で汎用的な3D血管セグメンテーションを実現するための基礎モデルです。

CogACTは視覚言語モデル(VLM)に基づく新しい高度な視覚言語動作(VLA)アーキテクチャで、ロボット操作のために設計されています。

CogACTは、ロボット操作タスクのための視覚言語モデルと専用動作モジュールを組み合わせた新しい視覚言語動作(VLA)アーキテクチャです。

AIMv2-Large-Patch14-Native は、元のAIMv2モデルを修正した画像分類モデルで、Hugging Face TransformersのAutoModelForImageClassificationクラスと互換性があります。

PaliGemma 2はGoogleが開発した視覚言語モデル(VLM)で、Gemma 2言語モデルとSigLIP視覚モデルの能力を組み合わせ、多言語視覚言語タスクをサポートします。

PaliGemma 2はGoogleが発表したアップグレード版の視覚言語モデルで、Gemma 2とSigLIP視覚モデルの能力を組み合わせ、多言語視覚言語タスクをサポートします。

SAM 2はFAIRが開発した画像とビデオのプロンプト可能な視覚セグメンテーションのための基盤モデルで、効率的なセグメンテーションをサポートします。

このモデルはmicrosoft/Florence-2-largeのファインチューニング版で、Ejafa/ye-popデータセットの4万枚の画像サブセットでトレーニングされ、アノテーションはTHUDM/cogvlm2-llama3-chat-19Bによって生成されました。画像からテキストへのタスクに特化しています。

AM-RADIOはNVIDIA研究所が開発した視覚基盤モデルで、集約型アーキテクチャにより複数領域の統一表現を実現し、様々なコンピュータビジョンタスクに適用可能です。

RADIOはNVIDIA研究所が開発した視覚基盤モデルで、異なる領域の視覚情報を統一的に表現でき、様々な視覚タスクに適用可能です。

E5-Vはマルチモーダル大規模言語モデルに基づく汎用埋め込み手法で、テキストと画像の入力を処理し統一された埋め込み表現を生成できます。

BLIPは統一された視覚言語事前学習フレームワークで、画像キャプション生成や視覚的質問応答などのタスクに優れており、革新的なデータフィルタリングメカニズムにより性能を向上させています

これはmicrosoft/Florence-2-largeモデルのファインチューニング版で、Ejafa/ye-popデータセットの38,000枚の画像サブセットでトレーニングされ、CogVLM2で生成されたアノテーションを使用し、画像からテキストへのタスクに焦点を当てています。

4Mはトークン化とマスキング技術によりマルチモーダル拡張を実現する'任意から任意へ'の基盤モデルトレーニングフレームワーク

これはApache-2.0ライセンスで公開されたモデルで、具体的な情報は現在不明です。

FashionCLIPはCLIPをベースにした視覚言語モデルで、ファッション分野に特化してファインチューニングされており、汎用的なファッション製品の特徴表現を生成できます。

Chronos-T5は言語モデルアーキテクチャに基づく事前学習済み時系列予測モデルで、量子化とスケーリングにより時系列をトークン系列に変換して学習し、様々な時系列予測タスクに適用可能です。

ZoeDepthはNYUとKITTIデータセットでファインチューニングされた深度推定モデルで、実際の測定単位で深度値を推定できます。