最高のTransformer構造 AIツールモデル_厳選Transformer構造情報

AIニュース

オープンソース動作予測モデルViTPose：フレームごとの動作予測とアノテーションが可能

ViTPoseはオープンソースの動作予測モデルであり、人体姿勢の認識に特に優れています。まるであなたがどのような動作をしているかを理解しているかのように、動作を認識します。このモデルの最大の特徴は、そのシンプルさと効率性です。複雑なネットワーク構造を採用する代わりに、Vision Transformerと呼ばれる技術を使用しています。ViTPoseの中核は、純粋なVision Transformerを使用することであり、これは画像内の重要な特徴を抽出できる強力な「骨格」のようなものです。他のモデルのように複雑な処理を必要としません。

7.7k 昨日

オープンソース動作予測モデルViTPose：フレームごとの動作予測とアノテーションが可能

バイトダンス、動画生成モデル「豆包」を発表　10秒動画生成と複数シーンの一貫性を実現

2024年の火山引擎AIイノベーションツアーで、火山引擎社長の譚待氏は最新の動画生成モデル「豆包」を発表しました。このモデルは、動画とテキストの高効率圧縮符号化を実現するDIT融合計算ユニットなど、複数の先進技術を搭載しています。また、新しい拡散モデルの訓練方法を採用することで、複数シーンの動画生成における一貫性を確保しています。さらに、高度に最適化されたTransformer構造を統合することで、動画生成の汎化能力を大幅に向上させています。

5.5k 3 日前

論文新解釈！「画家流水線」でTransformer中間層の動作メカニズムを解明

人工知能分野において、Transformerモデルは言語処理タスクにおける卓越した性能から広く注目を集めています。最近の研究論文"Transformer Layers as Painters"は、革新的な視点からTransformerモデルの階層構造を探求し、各層を画家になぞらえ、言語というキャンバス上に複雑で豊かなテキストを描画する様子を明らかにしています。研究では実験を通してTransformer層の動作メカニズム、特にそれらがどのように協調して動作するのかを解明しています。

3.5k 4 日前

智譜AI、次世代動画生成モデルCogVideoXを発表　「清影」で無料体験可能

智譜AIは、次世代動画生成モデルCogVideoXを発表しました。3D VAE構造と3D RoPEモジュールにより、時間的次元におけるフレーム間の関係の捕捉能力を向上させ、テキスト理解力と指示遵守能力を強化しました。テキスト、時間、空間の3次元を融合したTransformerアーキテクチャを採用し、ユーザーのニーズに合致した動画を効率的に生成します。本モデルは智譜清言プラットフォームで利用可能となり、テキストと画像からの動画生成サービスを無料で体験できます。高速生成、高効率な指示遵守、コンテンツの一貫性、柔軟な画面演出などが特徴です。

6.5k 10-13

モデル

Map Anything

facebook

MapAnythingはエンドツーエンドでトレーニングされたTransformerモデルで、複数のモードを入力として受け取り、シーンの分解測度3D幾何構造を直接回帰することができます。このモデルは、多画像SfM、多視点立体視、単眼測度深度推定など、12種類以上の異なる3D再構築タスクをサポートしています。