# 画像特徴抽出

OpenVision-ViT-Tinyは完全オープンで高コストパフォーマンスな先進的な視覚エンコーダで、OpenVisionファミリーの一部であり、マルチモーダル学習に焦点を当てています。

OpenVisionは完全にオープンでコストパフォーマンスに優れた先進的なビジョンエンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

OpenVisionは、完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダファミリーで、マルチモーダル学習に焦点を当てています。

OpenVisionは、完全にオープンでコストパフォーマンスに優れた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に焦点を当てています。

AIM-v2はtimmライブラリベースの画像エンコーダモデルで、10億パラメータ規模を持ち、画像特徴抽出タスクに適しています。

HieraDet画像エンコーダーに基づくSAM2モデルで、画像特徴抽出タスクに特化しています。

HieraDet画像エンコーダーに基づくSAM2モデルで、画像特徴抽出タスクに特化しています。

HieraDet画像エンコーダを基にしたSAM2モデルの重みで、画像特徴抽出タスクに特化

HieraDet画像エンコーダーに基づくSAM2モデルで、画像特徴抽出タスクに特化しています。

CLIPフレームワークに基づくResNet101画像エンコーダー、グローバル平均プーリング(GAP)による画像特徴抽出

I-JEPAは自己教師あり学習手法で、画像の一部の表現から同じ画像の他の部分の表現を予測し、事前定義された手動データ変換やピクセルレベルの詳細補完に依存しません。

I-JEPAは自己教師あり学習手法で、画像の一部の表現から同じ画像の他の部分の表現を予測し、事前定義された手動データ変換やピクセルレベルの詳細補填に依存しません。

MambaとTransformerの利点を組み合わせた初のコンピュータビジョンハイブリッドモデルで、Mambaの式を再設計して視覚特徴モデリング能力を強化し、Mambaアーキテクチャにセルフアテンションモジュールを組み込むことで長距離空間依存関係のモデリングを向上させています。

SSCDは画像複製検出のための深層学習モデルで、画像特徴を抽出し類似度比較を行えます。

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

EVA02は視覚Transformerモデルで、マスク画像モデリングによりImageNet-22kで事前学習されており、画像分類や特徴抽出タスクに適しています。

EVA02特徴/表現モデル、マスク画像モデリングによりImageNet-22kで事前学習され、画像分類と特徴抽出タスクに適しています。

EVA02ベーシック版視覚表現モデル、マスク画像モデリングによりImageNet-22kで事前学習済み、画像分類と特徴抽出タスクに適しています。

ResNet-50をファインチューニングした顔分類モデルで、評価データセットで94.16%の精度を達成

Google Vision Transformer (ViT)アーキテクチャを基にファインチューニングしたアニメ顔認識モデルで、画像分類タスクで優れた性能を発揮します

ConvNeXt-V2自己教師あり特徴表現モデル、全畳み込みマスク自己符号化器フレームワーク(FCMAE)を使用した事前学習、画像分類と特徴抽出タスクに適しています。

視覚Transformer（ViT）ベースの画像特徴モデルで、自己教師ありDINO手法でトレーニングされ、画像分類や特徴抽出タスクに適しています。

視覚Transformer(ViT)ベースの自己教師あり画像特徴抽出モデル、DINO手法で学習

Vision Transformer (ViT)アーキテクチャに基づく画像分類モデルで、ImageNet-21kデータセット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。

自己教師ありDINO手法で訓練されたVision Transformer（ViT）画像特徴モデルで、画像分類や特徴抽出タスクに適しています。

自己教師ありDINO手法で訓練された視覚Transformer（ViT）画像特徴モデルで、画像分類や特徴抽出タスクに適しています。

ResNet-34アーキテクチャに基づくスケッチ分類器で、TU-Berlinデータセットでファインチューニングされており、スケッチ認識と分類タスクに適しています。

DINO自己教師あり学習手法で事前学習されたResNet-50モデル、視覚特徴抽出タスクに適しています

この視覚TransformerモデルはMSN手法で事前学習されており、少数ショットシナリオで優れた性能を発揮し、画像分類などのタスクに適しています

RegNetはニューラルアーキテクチャサーチによって設計された画像分類モデルで、imagenet-1kデータセットで学習されています。

imagenet-1kでトレーニングされたRegNetモデル、ニューラルアーキテクチャサーチによって設計された効率的な視覚モデル

このビジュアルトランスフォーマー（ViT）モデルは、ImageNet-21kデータセットで224x224解像度で事前学習されており、画像分類タスクに適しています。

ImageNet-21kで事前学習されたビジュアルTransformerモデルで、超大サイズのアーキテクチャを採用し、画像分類などのビジュアルタスクに適しています。