通用视觉模型自主适配算法库

本数据集中构建了一个面向多任务视觉感知的自主适配算法库。该算法库集成了当代最具代表性的六种深度学习架构，包括基于Transformer架构的视觉Transformer（ViT）、基于自监督掩码自编码器预训练的ViT-MAE、基于层次化移动窗口的Swin Transformer、经典的深度残差网络ResNet、大规模视觉基础模型InternViT，以及专为移动端和嵌入式设备设计的轻量级卷积网络MobileNetV3。通过对基于以上架构的通用视觉模型在语义分割、目标检测、实例分割、图像分类以及视频行为识别等任务上进行进行多任务自主适配，兼顾了高精度与实时性的需求。数据量为2.43GB。