# 视觉变换器

基于视觉变换器的二分类模型，专用于检测深度伪造图像，准确率达99.2%

专为阿拉伯语设计的端到端结构化光学字符识别系统，可将书籍页面图像转换为结构化文本（Markdown格式）

DPT (密集预测变换器) 模型在140万张图像上训练，用于单目深度估计。该模型使用Swinv2作为骨干网络，适用于高精度深度预测任务。

基于ViT架构的NSFW图像分类模型，通过监督学习在ImageNet-21k数据集上预训练，并在80,000张图像上微调，用于区分正常和NSFW内容。

基于视觉变换器(ViT)的单目深度估计模型，在140万张图像上训练

ViViT是对视觉变换器(ViT)的扩展，适用于视频处理，特别适合视频分类任务。

ViViT是对视觉变换器(ViT)的扩展，适用于视频处理，主要用于视频分类等下游任务。

CvT-21是基于ImageNet-1k数据集预训练的视觉变换器模型，通过引入卷积操作改进传统视觉变换器。