V

Vit So400m Patch14 Siglip Gap 224.v2 Webli

由timm開發
基於SigLIP 2的ViT圖像編碼器,採用全局平均池化,移除了注意力池化頭,適用於圖像特徵提取任務。
下載量 179
發布時間 : 2/21/2025

模型概述

這是一個專為timm設計的SigLIP 2 ViT圖像編碼器,等效於HuggingFace上的ViT-SO400M-14-SigLIP2模型的圖像塔部分。該gap變體使用全局平均池化替代了注意力池化頭。

模型特點

SigLIP 2架構
採用改進的SigLIP 2架構,具有更好的語義理解、定位和密集特徵提取能力
全局平均池化
使用全局平均池化(gap)替代注意力池化頭,簡化模型結構
大規模預訓練
在webli數據集上進行預訓練,具有強大的視覺表示能力

模型能力

圖像特徵提取
視覺語義理解
圖像定位
密集特徵提取

使用案例

計算機視覺
圖像分類
可作為圖像分類任務的特徵提取器
視覺問答
為視覺問答系統提供圖像特徵表示
多模態應用
圖文匹配
用於圖文匹配任務中的圖像編碼
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase