Vit So400m Patch16 Siglip Gap 256.v2 Webli

🚀 vit_so400m_patch16_siglip_gap_256.v2_webli模型卡片

本項目為timm提供了一個SigLIP 2 ViT（僅圖像編碼器）。它等同於來自https://huggingface.co/timm/ViT - SO400M - 16 - SigLIP2 - 256的圖像塔。此gap變體使用全局平均池化，並移除了注意力池化頭。

🚀 快速開始

本模型可直接在timm庫中使用，為圖像特徵提取等任務提供支持。

✨ 主要特性

• 基於SigLIP 2技術，具備更好的語義理解、定位和密集特徵提取能力。
• 採用全局平均池化的gap變體，移除了注意力池化頭。

📚 詳細文檔

模型詳情

引用信息

如需引用本模型相關的論文，請使用以下BibTeX格式：

@article{tschannen2025siglip,
          title={SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features},
          author={Tschannen, Michael and Gritsenko, Alexey and Wang, Xiao and Naeem, Muhammad Ferjad and Alabdulmohsin, Ibrahim and Parthasarathy, Nikhil and Evans, Talfan and Beyer, Lucas and Xia, Ye and Mustafa, Basil and H'enaff, Olivier and Harmsen, Jeremiah and Steiner, Andreas and Zhai, Xiaohua},
          year={2025},
          journal={arXiv preprint arXiv:2502.14786}
        }
        

@inproceedings{zhai2023sigmoid,
          title={Sigmoid loss for language image pre-training},
          author={Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas},
          booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
          pages={11975--11986},
          year={2023}
        }
        

📄 許可證

本項目採用Apache 2.0許可證。