# 視覚Transformer

この論文が提案するモデルは、Vision Transformer (ViT)が画像セグメンテーションタスクで持つ潜在能力を明らかにしています。

このモデルは論文『あなたのViTは実際には画像セグメンテーションモデル』に基づいて開発され、画像セグメンテーションタスクのための視覚Transformerモデルです。

このモデルはVision Transformer (ViT)が画像分割タスクで持つ可能性を明らかにし、特定の方法でViTを効率的な画像分割モデルに変換します。

ViTPoseは視覚Transformerベースの人体姿勢推定モデルで、シンプルな設計によりMS COCOキーポイント検出ベンチマークで81.1 APの優れた性能を達成しました。

ViTPoseは視覚Transformerベースの人体姿勢推定モデルで、MS COCOキーポイントテストセットで81.1 APの精度を達成し、モデルの簡潔さ、スケーラビリティ、トレーニングの柔軟性などの利点があります

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、3B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。

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。

これはDINOv2ベースの視覚Transformerモデルで、レジスタトークンを追加することでアテンション機構を改良し、教師なし画像特徴抽出に使用されます。

MetaCLIP-400Mデータセットで訓練されたデュアルフレームワーク互換の視覚モデルで、OpenCLIPとtimmフレームワークをサポート

智人（Sapiens）は30億枚の高解像度人間画像で事前学習された視覚Transformerモデルで、人間中心の視覚タスクに特化しています。

Sapiensは3億枚の1024x1024解像度の人間画像で事前学習された視覚Transformerモデルファミリーで、人間中心の視覚タスクに特化しています。

Sapiensは3億枚の1024×1024解像度人体画像で事前学習された視覚Transformerモデルで、人間中心の視覚タスクに優れています。

Sapiensは3億枚の1024x1024解像度の人間画像で事前学習された視覚Transformerモデルファミリーで、人間中心の視覚タスクに特化しています。

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インド手話画像分類モデルで、精度は99.05%

Vision Transformerアーキテクチャに基づく蝶画像分類モデル。75種の蝶を識別可能で、精度は96.74%

美学シャドウは11億パラメータを持つ視覚Transformerモデルで、アニメ画像の品質評価のために設計されました。

EVA02特徴/表現モデル、マスク画像モデリングによりMerged-38Mデータセットで事前学習済み、画像分類と特徴抽出タスクに適しています。

google/vit-base-patch16-224-in21kをファインチューニングした食品分類モデルで、評価データセットで優れた性能を発揮

EfficientFormer-L1はSnap Researchが開発した視覚Transformerモデルで、モバイルデバイス向けに最適化されており、高性能を維持しながら極めて低い遅延を実現します。

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

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

MSN手法で事前学習された視覚Transformerモデルで、少数ショットシナリオで優れた性能を発揮

この視覚TransformerモデルはMSN手法で事前学習されており、少数ショット学習シナリオに適しており、特に画像分類タスクに最適です。

このモデルはgoogle/vit-base-patch16-384をファインチューニングした視覚Transformerモデルで、主に画像分類タスクに使用されます。

Swin Transformer v2は、階層的特徴マップと局所ウィンドウ自己注意メカニズムにより、効率的な画像分類と密な認識タスクを実現する視覚Transformerモデルです。

視覚Transformer（ViT）ベースの物体検出モデルで、DETR損失関数を使用して訓練され、COCOデータセットで優れた性能を発揮します。

蒸留版視覚Transformerモデル、最初に224x224解像度で事前学習し、その後384x384解像度でImageNet-1k上でファインチューニング、教師モデルから蒸留トークンを通じて学習。

Face-Mask18Kデータセットで訓練された蒸留型視覚Transformerモデル、効率的なマスク検出用