# ViT架构

这是一个基于视觉变换器的模型，用于将面部皮肤类型分类为5个类别。

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，揭示了ViT在图像分割任务中的潜力。

该论文提出了一种基于Vision Transformer (ViT) 的图像分割模型，揭示了ViT在图像分割任务中的潜力。

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。

该模型揭示了Vision Transformer (ViT) 在图像分割任务中的潜力，通过特定架构调整使其适用于分割任务。

该论文提出了一种新的视角，将Vision Transformer (ViT) 视为图像分割模型，并探讨了其在图像分割任务中的潜力。

该模型揭示了Vision Transformer (ViT) 在图像分割任务中的潜力，通过特定架构调整使其适用于分割任务。

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。

该模型通过重新思考Vision Transformer (ViT) 的架构，展示了其在图像分割任务中的潜力。

基于Vision Transformer (ViT)架构的微调模型，用于对胸部X光片进行分类，训练于CheXpert数据集。

C-RADIOv2是NVIDIA开发的视觉特征提取模型，提供多种尺寸版本，适用于图像理解和密集视觉任务。

基于CLIP架构的视觉Transformer模型，由苹果公司发布的DFN2B-CLIP图像编码器权重

日语CLIP模型，基于OpenCLIP框架训练，支持零样本图像分类任务

基于Vision Transformer架构的图像分类模型，在ImageNet-21k数据集上预训练，适用于多类别图像分类任务

基于Google Vision Transformer (ViT)架构微调的植物识别模型，在评估集上达到80.96%的准确率

基于LAION-400M数据集训练的视觉Transformer模型，支持零样本图像分类任务

基于LAION-2B数据集训练的Vision Transformer模型，支持零样本图像分类任务

基于LAION-400M数据集训练的Vision Transformer模型，支持OpenCLIP和timm双框架使用

基于ViT架构的面部表情识别模型，在imagefolder数据集上微调，准确率达91.77%

DUSt3R是一个用于从图像轻松实现几何3D视觉的模型，能够从单张或多张图像重建3D场景。

DUSt3R是一个用于从图像生成3D几何模型的深度学习模型，能够轻松实现几何3D视觉任务。

基于Vision Transformer(ViT)架构优化的暴力行为检测模型，能够将图像分类为暴力或非暴力场景。

DUSt3R是一个用于从图像轻松实现几何3D视觉的模型，能够从单张或多张图像重建3D场景。

基于关键点相对位置编码的人脸识别模型，采用ViT架构并在WebFace12M数据集上训练

基于ViT的面部表情识别模型，在FER2013、MMI和AffectNet数据集上微调，能够识别七种基本情绪

基于Google的ViT模型微调的服装分类模型，支持7种服装类别的图像分类

基于Google Vision Transformer (ViT)架构微调的图像分类模型，用于区分AI生成图像与真实图像

基于视觉变换器(ViT)的皮肤癌图像分类模型，可识别7种皮肤病变类型

基于Vision Transformer (ViT)架构的图像分类模型，专门用于检测图像是否包含NSFW（不安全）内容。

基于Google Vision Transformer (ViT)微调的时尚系列分类模型，可识别15个顶级时尚品牌的服装系列。

该模型是基于google/vit-base-patch16-224-in21k在CIFAR10数据集上微调的图像分类模型，准确率达96.78%。

基于Vision Transformer (ViT)架构在CIFAR-10数据集上微调的图像分类模型，准确率达99.2%

基于Vision Transformer架构的图像分类模型，用于检测真实图像与AI生成的伪造图像。

Phikon是基于iBOT训练的组织病理学自监督学习模型，主要用于从组织学图像块中提取特征。

基于DINOv2方法训练的小尺寸视觉Transformer模型，通过自监督学习提取图像特征

该模型是基于Google的ViT-base-patch16-224在图像文件夹数据集上微调的图像分类模型，在评估集上取得了85.76%的准确率。

SAM是一个能够通过输入提示（如点或框）生成高质量对象掩码的视觉模型，支持零样本分割任务

基于google/vit-base-patch16-224-in21k微调的图像分类模型，在豆类数据集上达到97.74%的准确率

基于ViT架构的驾驶员疲劳检测模型，在UTA RLDD数据集上微调，准确率达97.5%