e4exp https://blog.hatena.ne.jp/e4exp/ 学んだことメモ https://e4exp.hatenablog.com/ DeepLearning Pre-Training Vision-Language Transformer Florence: A New Foundation Model for Computer Vision 2021/11/22 https://arxiv.org/abs/2111.11432 Fig.2 Overview of building Florence 画像ドメインで多様な下流タスク(分類、検索、オブジェクト検出、VQA、画像キャプション、ビデオ検索、アクション認識など)に適用できる汎用的な事前学習モデルFlorenceを提案 モデルは階層型vision transformer(CoSwin)の画像encoderとTransformer 言語encoderでimage-text間の… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Fe4exp.hatenablog.com%2Fentry%2F2021%2F12%2F24%2F151546" title="vision分野で多様な下流タスクに適用できる基礎モデルFlorence - 学んだことメモ" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> https://cdn-ak.f.st-hatena.com/images/fotolife/e/e4exp/20211224/20211224151250.png Hatena Blog https://hatena.blog 2021-12-24 15:15:46 rich https://e4exp.hatenablog.com/entry/2021/12/24/151546 1.0 100%