V

Vit Giantopt Patch16 Siglip Gap 384.v2 Webli

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

模型概述

該模型是一個專為timm設計的SigLIP 2 ViT圖像編碼器,主要用於圖像特徵提取。它等同於HuggingFace上的ViT-gopt-16-SigLIP2-384模型的圖像塔部分,但採用了全局平均池化(gap)變體。

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和定位能力
全局平均池化
使用全局平均池化(gap)變體,移除了注意力池化頭部
Webli數據集訓練
在Webli數據集上進行預訓練,具有廣泛的視覺表示能力

模型能力

圖像特徵提取
視覺語義理解
圖像定位

使用案例

計算機視覺
圖像檢索
利用提取的圖像特徵進行相似圖像檢索
視覺問答
作為視覺編碼器用於視覺問答系統
多模態應用
圖文匹配
用於圖像和文本的匹配任務
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase