# 語義分割

InternViT-300M-448px-V2_5是一個基於InternViT-300M-448px的增強版本，通過採用ViT增量學習與NTP損失（Stage 1.5），提升了視覺編碼器提取視覺特徵的能力，尤其是在大規模網絡數據集中代表性不足的領域，如多語言OCR數據和數學圖表等。該模型是InternViT 2.5系列的一部分，保留了與前代相同的“ViT-MLP-LLM”模型架構，並集成了新的增量預訓練的InternViT與各種預訓練的LLMs，如InternLM 2.5和Qwen 2.5，使用隨機初始化的MLP投影器。

DenseAV是一種新穎的雙編碼器定位架構，通過觀看視頻學習高分辨率、語義有意義的視聽對齊特徵。它能夠無需明確定位監督即可發現單詞的“意義”和聲音的“位置”，並且自動發現並區分這兩種關聯類型。DenseAV的定位能力來自於一種新的多頭特徵聚合操作符，它直接比較密集的圖像和音頻表示進行對比學習。此外，DenseAV在語義分割任務上顯著超越了先前的藝術水平，並且在使用參數少於一半的情況下，在跨模態檢索上超越了ImageBind。

Pixta AI是一家提供大規模數據標註和數據採集解決方案的公司。我們擁有1000多名經驗豐富的標註員，超過9000萬張圖片和1000萬個視頻。通過我們的服務，可以加速您的AI開發。我們提供的標註和數據採集服務能夠滿足各種需求，並且可以根據您的項目進行定製化。