DINOv2

DINOv2はMeta AIが2023年4月に公開したコンピュータビジョンのモデルで、LVD-142Mと呼ばれる1億4200万枚の画像を選んだデータセットで、ラベルなしで学習されています。あらかじめ決まったカテゴリに画像を分類するのではなく、自己教師ありの蒸留によって汎用的な視覚特徴を学習します。その特徴は画像分類、深度推定、セグメンテーション、検索など幅広い下流のタスクでよく働き、ファインチューンなしでも使えることが多いです。公開された最大のモデルは11億パラメータです。

特徴がそのままよく転用できるため、DINOv2はほかのコンピュータビジョンシステムの共通のバックボーンになりました。ラベル付きデータが少ない医療画像のような分野でも使われています。Metaはコードとモデルの重みをApache 2.0ライセンスで公開し、のちにDINOv3を出しましたが、DINOv2は汎用の視覚特徴の抽出器として今も広く使われています。