GroupViT — vision-language модель для zero-shot семантической сегментации изображений по текстовым названиям категорий.
Подходит для: Сегментация объектов на изображении по категориям, заданным текстом · Поиск областей изображения, соответствующих произвольным словесным меткам · Исследование zero-shot сегментации без пиксельной разметки