- 博客(1)
- 收藏
- 关注
RSS订阅原创 ADAPT视觉语言模型分析
预训练的 Video Swin Transformer （Swin_base_patch244_window877_kinetics400_22k.pth），用于提取图片特征，其参数参与调试；DCG基本结构由 BertImgModel 和 BertPredictionHeadTransform 构成，实现一个图像识别解释的Bert结构：BertForImageCaptioning；
2024-09-23 10:57:38
796
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人