# ビジュアルトランスフォーマー

Sapiensは3億枚の1024×1024解像度人体画像で事前学習されたビジュアルトランスフォーマーモデルで、高解像度推論と実シーン汎化をサポートします。

ビジュアルトランスフォーマーアーキテクチャに基づくモデルで、リサイクル材料の自動分類に特化しています。

ConvNeXTは純粋な畳み込みモデルで、ビジュアルトランスフォーマーの設計からインスピレーションを得て、ImageNet-1kデータセットで訓練され、トランスフォーマーを上回る性能を発揮します。

GoogleのViTモデルを微調整した手稿画像分類モデルで、評価セットでのF1スコアは0.5996に達します。

BEiTはビジュアルトランスフォーマーに基づく画像分類モデルで、ImageNet-21kで自己教師あり方式で事前学習され、ImageNet-1kでファインチューニングされています。