/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
11 июл 2026

scout-eccv-itm-v3

ЭмбеддингиТекст → embedding3 профессии

Модель SCOUT сопоставляет текстовые описания людей с видео и помогает повторно ранжировать результаты поиска.

31скачиваний за 30 дней0лайковвеса обновлены20 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Abdrah/scout-eccv-itm-v3 — модель из проекта SCOUT, представленного на воркшопе ECCV 2026. Она предназначена для поиска людей по текстовому описанию в видео и повторной сортировки результатов retrieval-системы. Модель объединяет визуальные признаки видеоэнкодера ExPLoRA V-JEPA2 и состояния токенов текстового энкодера EmbeddingGemma, адаптированного с помощью LoRA; двунаправленный fusion-трансформер и головы ITC/ITM обучены для сопоставления текста и изображений.

Модель выдаёт L2-нормализованные векторы изображения и текста. В репозитории находятся обученные веса и конфигурация; замороженные веса базовых энкодеров загружаются из их источников отдельно. В описанной авторами системе результаты ITM следует сочетать с порядком ITC: отдельное ранжирование только по ITM показало худший результат, чем ITC. Размер модели — 656,1 млн параметров, из них обучаемых 120,3 млн. Лицензия — Apache-2.0.

Сценарии применения

  • поиск человека в видео по текстовому описанию
  • повторное ранжирование кандидатов в text-based person retrieval
  • извлечение сопоставимых признаков из кадров видео и текстовых запросов

Ограничения

Для описанной авторами системы рекомендуется смешивать порядок ITC с оценкой ITM: отдельное ранжирование только по ITM уступает ITC. Для загрузки нужны замороженные веса базовых энкодеров из их исходных источников.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

scout-eccv-itm-v3

Part of SCOUT (Sim-to-real Contrastive Outlier Understanding via Text), an ECCV 2026 workshop paper on JEPA-based text-based person re-identification for the AI City Challenge Track 4 (Sim2Real). Code: https://github.com/abtraore/SCOUT-ECCV Paper: SCOUT: Sim-to-Real Text-Based Person Retrieval by Embedding-Space Prediction over Frozen Video Features

ScoutITM-v3: a single-stream cross-encoder (ExPLoRA V-JEPA2 + LoRA-adapted EmbeddingGemma token states, bidirectional fusion transformer + ITC/ITM heads) used as a reranker in the paper's headline board system.

  • Val mAP@10: 0.8858
  • Val Hit@10: 0.9854
  • Trainable / total parameters: 120.3M / 656.1M

Blend of ITC-retrieval order and ITM match logit (a=0.5); pure ITM re-ranking alone is worse than ITC alone, always use the blend. See system/README.md.

What's in this repo

Only the parameters SCOUT actually trained: a model.safetensors (trainable predictor weights, and for ExPLoRA/LoRA variants, the adapted encoder deltas) plus a config.json recording the exact recipe. Frozen backbone weights (V-JEPA2 from Meta, the text encoder from its own source) are not included here; they're downloaded from their own public sources at load time.

Usage

from scripts.load_from_hf import load_from_hf

model = load_from_hf("Abdrah/scout-eccv-itm-v3").eval()
# model.encode_image(pixel_values)  # [B, 3, 384, 384] in [0, 1] -> [B, out_dim] L2-normalized
# model.encode_text(["a caption"])  # -> [B, out_dim] L2-normalized

Or drop it straight into the repo's own evaluation script:

uv run python scripts/local_eval.py --hf-repo Abdrah/scout-eccv-itm-v3 --pab-root /path/to/PAB --query-source val

License

Apache 2.0 (see the source repo's LICENSE/NOTICE). This checkpoint does not redistribute any frozen backbone weights, which carry their own upstream licenses.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
49e91dc

0 моделей