图像、视频、3D 数据一把抓，不挑食的 AI 模型 Omnivore ！

出品人：Towhee 技术团队

厌烦了不同数据要用不同的模型？是否想过用一个模型就能处理不同模态的数据？终于，在 2022 年初 Meta AI 推出了 “杂食者” Omnivore，一个模型搞定不同视觉模态数据，可以对图像、视频、3D数据进行分类。Omnivore 不仅兼容多种类型的数据，在不同任务的数据集上也都名列前茅。Omnivore 在图像分类数据集 ImageNet 上能达到 86.0% 精度；在用于动作识别的 Kinetics 数据集上能达到 84.1% 精度；在用于单视图3D场景分类的 SUN RGB-D 数据集上，精度也高达 67.1% 。

Omnivore: Multiple visual modalities

Omnivore 将不同视觉模态的数据都转换成通用的向量格式，然后利用 Transformer 特有的灵活性，针对不同模态的分类任务进行联合训练。无论是从头训练，还是对预训练模型进行微调，只要使用 Omnivore 和现成的标准数据集，就能让其性能达到甚至超越对应的单模型。

参考资料：

模型用例：action-classification/omnivore
论文地址：OMNIVORE: A Single Model for Many Visual Modalities
更多资料：Facebook AI 推出“超级模型”：搞定图像、视频和3D数据三大分类任务，性能不输独立模型

---

更多项目更新及详细内容请关注我们的项目( https://github.com/towhee-io/... ) ，您的关注是我们用爱发电的强大动力，欢迎 star, fork, slack 三连 :)