Дообученный визуальный энкодер SigLIP 2 для извлечения детализированных признаков медицинских изображений с учётом локализации.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
LoFi-MedG — дообученная модель визуального энкодера SigLIP 2, разработанная авторами работы «Location-Aware Fine-Grained Representation Learning for Medical Vision Foundation Models». Она предназначена для извлечения признаков медицинских изображений и построения детализированных визуальных представлений с учётом локализации объектов или областей. Модель основана на google/siglip2-so400m-patch16-512 и опубликована в формате safetensors для использования с библиотекой Transformers.
Модель можно применять как компонент медицинских систем поиска и анализа изображений, а также мультимодальных систем, использующих визуальные признаки. Карточка не содержит подробностей о медицинских специализациях, обучающих данных или оценках качества. Условия лицензирования в предоставленных источниках не указаны.
В карточке нет сведений о медицинских специализациях, обучающих данных и количественной оценке качества. Лицензия в предоставленных источниках не указана.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
Location-Aware Fine-Grained Representation Learning for Medical Vision Foundation Models
This repository contains the model described in Location-Aware Fine-Grained Representation Learning for Medical Vision Foundation Models.
For more details, please refer to the code.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers · image-feature-extraction
Подбираем GPU…