V

Vit Large Patch14 Clip 224.dfn2b

Developed by timm
基於CLIP架構的視覺變換器模型,專注於圖像特徵提取,由蘋果公司發佈。
Downloads 178
Release Time : 12/26/2024

Model Overview

該模型是CLIP(對比語言-圖像預訓練)的圖像編碼器部分,採用Vision Transformer (ViT)架構,適用於圖像特徵提取任務。

Model Features

基於CLIP架構
採用對比學習框架,能夠學習圖像和文本的聯合表示。
Vision Transformer
使用ViT架構處理圖像,將圖像分割為patch序列進行處理。
大規模預訓練
在大型數據集上預訓練,具有強大的特徵提取能力。

Model Capabilities

圖像特徵提取
圖像表示學習

Use Cases

計算機視覺
圖像檢索
使用提取的圖像特徵進行相似圖像檢索。
視覺問答
作為視覺問答系統的圖像編碼器。
多模態學習
圖文匹配
用於圖像和文本的跨模態匹配任務。
AIbase
Empowering the Future, Your AI Solution Knowledge Base
© 2025AIbase