# ViT骨幹網絡

AerialMegaDepth是一個專注於空地重建與視角合成的深度學習模型，能夠從航拍圖像中重建3D場景並生成新視角。

基於Transformer架構的語義分割模型，專為ADE20K數據集優化

基於Vision Transformer（ViT）的圖像分類模型，由Google Research在JAX框架下使用ImageNet-21k預訓練，後移植到PyTorch。適用於特徵提取和微調場景。

基於Vision Transformer (ViT)的圖像分類模型，在ImageNet-21k上預訓練，適用於特徵提取和微調場景。

基於Vision Transformer的圖像分類模型，在ImageNet-21k上預訓練，適用於特徵提取和微調

Segment-Anything視覺變換器（SAM ViT）圖像特徵模型，僅包含特徵提取和微調功能，不包含分割頭。

Segment-Anything視覺變換器（SAM ViT）圖像特徵模型，僅包含特徵提取和微調功能，不包含分割頭。

基於Vision Transformer（ViT）的圖像特徵模型，採用自監督DINOv2方法在LVD-142M數據集上預訓練

OWL-ViT是一個零樣本文本條件目標檢測模型，可通過文本查詢在圖像中檢測物體。