# 視覺變換器

基於視覺變換器的二分類模型，專用於檢測深度偽造圖像，準確率達99.2%

專為阿拉伯語設計的端到端結構化光學字符識別系統，可將書籍頁面圖像轉換為結構化文本（Markdown格式）

DPT (密集預測變換器) 模型在140萬張圖像上訓練，用於單目深度估計。該模型使用Swinv2作為骨幹網絡，適用於高精度深度預測任務。

基於ViT架構的NSFW圖像分類模型，通過監督學習在ImageNet-21k數據集上預訓練，並在80,000張圖像上微調，用於區分正常和NSFW內容。

基於視覺變換器(ViT)的單目深度估計模型，在140萬張圖像上訓練

ViViT是對視覺變換器(ViT)的擴展，適用於視頻處理，特別適合視頻分類任務。

ViViT是對視覺變換器(ViT)的擴展，適用於視頻處理，主要用於視頻分類等下游任務。

CvT-21是基於ImageNet-1k數據集預訓練的視覺變換器模型，通過引入卷積操作改進傳統視覺變換器。