vit

pix2tex: समीकरणों की छवियों को LaTeX कोड में बदलने के लिए ViT का उपयोग करना।

Vision Transformer/Attention की अत्यधिक व्यापक पेपर सूची, जिसमें पेपर, कोड और संबंधित वेबसाइटें शामिल हैं

लार्ज मल्टी-मोडालिटी मॉडल (LMMs) का ओपन-सोर्स मूल्यांकन टूलकिट, 220+ LMMs, 80+ बेंचमार्क का समर्थन करता है।

[ICLR2025, ICML2025, NeurIPS2025 Spotlight] Quantized Attention भाषा, छवि और वीडियो मॉडल में एंड-टू-एंड मेट्रिक्स खोए बिना FlashAttention की तुलना में 2-5x गति प्राप्त करता है।

Towhee एक ऐसा फ्रेमवर्क है जो न्यूरल डेटा प्रोसेसिंग पाइपलाइन को सरल और तेज़ बनाने के लिए समर्पित है।

किसी भी कंप्यूटर या एज डिवाइस को अपने कंप्यूटर विजन प्रोजेक्ट्स के लिए कमांड सेंटर में बदलें।

[CVPR 2021] Transformer Interpretability Beyond Attention Visualization के लिए आधिकारिक PyTorch कार्यान्वयन, Transformer आधारित नेटवर्क द्वारा वर्गीकरण को विज़ुअलाइज़ करने की एक नई विधि।

कुछ हालिया Transformer-आधारित CV कार्यों की पेपर सूची।

[ICML2025] SpargeAttention: एक ट्रेनिंग-मुक्त स्पार्स अटेंशन जो किसी भी मॉडल के इन्फॉरेंस को गति देता है।

Adan: डीप मॉडल्स को तेज़ी से ऑप्टिमाइज़ करने के लिए एडेप्टिव नेस्टरोव मोमेंटम एल्गोरिदम।

मल्टीपल GPUs का उपयोग करके रॉ वीडियो से वीडियो फीचर्स निकालें। हम RAFT फ्लो फ्रेम्स के साथ-साथ S3D, I3D, R(2+1)D, VGGish, CLIP और TIMM मॉडल्स का समर्थन करते हैं।

[CVPR 2025 Highlight] Encoder-only Mask Transformer (EoMT) के लिए आधिकारिक कोड और मॉडल।