# 视觉变换器

Virtus
MIT
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%
图像分类 Transformers
V
agasta
970
1
Arabic Large Nougat
Gpl-3.0
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)
图像生成文本 Transformers 支持多种语言
A
MohamedRashad
537
10
Dpt Swinv2 Base 384
MIT
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。
3D视觉 Transformers
D
Intel
182
0
Nsfw Image Detection
Apache-2.0
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。
图像分类 Transformers
N
Falconsai
82.4M
588
Dpt Hybrid Midas
Apache-2.0
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
3D视觉 Transformers
D
Intel
224.05k
94
Vivit B 16x2 Kinetics400
MIT
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。
视频处理 Transformers
V
google
56.94k
32
Vivit B 16x2
MIT
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。
视频处理 Transformers
V
google
989
11
Cvt 21
Apache-2.0
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。
图像分类 Transformers
C
microsoft
589
0
AIbase
智启未来,您的人工智能解决方案智库
© 2025AIbase