上交学者提出了一种利用Diffusion模型生合成语义分割数据集，并基于此训练了一个开放词汇分割的模型，效果惊艳！
发布人
打开封面 下载高清视频 观看高清视频 视频下载器
...
CVPR 2023，EVA升级，智源开源更强的视觉预训练模型EVA-2，Vit-L Imagenet精度达到90+！
...
中山大学学者提出新的视觉Transfomer结构DilateFormer，减少70%计算量的同时性能更优！目前已开源！
...
阿里提出了一种无需解码头的轻量化语义分割网络，参数量减少30%的同时性能提升4个百分点！
...
鹏城实验室学者提出了一种新的视频语言多模态预训练模型SOTA-VLP，融合了空间时序建模方法，捕获细粒度特征，多项任务取得SOTA！
...
中科大提出All-in-One多模态预训练方法，利用统一的多模态互信息提升多模态性能，下游检测分割性能超过BEIT V3！
...
谷歌基于多模态预训练模型，提出了一种开放词汇的时序动作检测模型，可以检测视频中任意动作！性能远超之前方法！
...
微软提出了一种图像分割，视觉语言大一统模型X-Decoder！open-vocabulary语义分割效果惊艳！多项下游任务性能表现SOTA，目前代码和模型已开源
...
Adobe提出基于预训练图像Diffusion模型的视频编辑器，无需训练即可完成视频编辑功能，效果超过Tune-a-Video等方法！
...
CLIP可以直接拿来做文本检测了！腾讯优图提出TCM结构，文本检测能力在多个数据集上均有较大提升！目前以被CVPR2023接收！
...
CVPR｜2024｜CorMatch:基于相关性匹配的标签传播，用于半监督语义分割
...
面壁 MiniCPM-V 2.6：最强开源端侧多模态 LLM
...
ECCV 2024 AI涨点神器！超越DINOv2！显著提升语义分割、深度估计性能！
...
文本引导的虚拟试衣来了，多模态在时尚领域的又一杀器！一键更换模特服装！目前代码模型已开源！
...
华为诺亚提出视觉文档理解多模态预训练模型WuKong-Reader，在百万级文档数据上进行了预训练，多项下游任务效果SOTA！
...
谷歌学者提出了简单的DPN策略，在ViT 的Patch Embedding层前后各加一个LN层就能提升ViT性能！
...
里斯本大学学者提出检索增强的Image Captioning 方法，可以在预训练图文编码器的基础上进一步提升Caption性能！
...
Meta AI提出新的视觉Transformer结构，相同精度内存减少15倍！代码和模型目前已开源！
...
真正的万物检测模型，谷歌提出基于VisionTransformer的开放词汇目标检测器
...
微软提出简单的Open vocabulary检测和分割框架，能够统一处理两种任务，性能超过GLIP等模型！目前已开源！
...
DeepMind提出De-Diffusion，仅使用图像数据提升多项多模态任务性能！
...
AI可解释性综述来了，神经网络的黑盒性质经常被许多学者Diss，而可解释性方法让AI不在是完全黑盒！
...
2024最热门的计算机视觉实战-【图像分割+语义分割】3小时掌握！原理+实战+论文，新手小白首选教程！人工智能/计算机视觉/深度学习/AI/图像处理/机器学习
...
CLIP助力跨域目标检测，来自EVEN CVLab的学者提出语义增强策略，提升效果明显
...
斯坦福学者提出ControlNet，通过对Stable Diffussion生成结果进行控制，即将补完AIGC工业化的最后一块拼图！
...
百度联合VIS提出新的文档图像理解预训练框架StrucTextv2，设计了适用于文档数据的掩码自监督策略，目前已被ICLR 2023接收！
...
仅需0.5M！可集成任意扩散模型！字节提出灵活分辨率适配器ResAdapter！
...
新年大礼包，图像分割领域近230页综述开源了！涵盖图像语义分割，实例分割以及3D视频分割等多种场景，涵盖了近百种经典算法，30多个开源数据集！
...
AI模型的大一统！微软多模态组提出了多模态领域杀疯了的多边形战士BEIT V3!多项视觉，多模态任务达到SOTA!
...
Kaiming He团队在多模态领域提出的FLIP，结合MAE Masking Image 策略与CLIP，保证精度的同时 大幅提升训练效率！
...
上海AI Lab提出利用多种预训练模型进行集成学习的新方法CaFo，利用 GPT-3，CLIP，DINO等多种基础预训练模型提升少样本学习能力！
...
阿里多模态团队基于OFA多模态预训练模型，提出最强中文OCR模型，效果惊艳！
...
训练日志 ｜ wandb ｜（1）安装登录
...
微软总结了视觉Transformer的分类性能，从参数量，计算量等方面对它们进了公平的对比！
...
谷歌基于Imagen提出了Imagen Editor，文本条件编辑效果超过Stable Diffusion和DALL-E 2！
...
基于卷积神经网络构建UNET与deeplab 图像分割与语义分割模型，实战医学细胞分割与心脏视频数据分割
...
商汤科技提出具有双层路由注意力的视觉Transformer，减少原始ViT计算量的同时性能大幅超过Swin Transformer!已被CVPR 2023接收！
...
基于Diffusion模型的DiffFace来了，交换效果超过之前的经典模型！代码和模型即将开源！
...
字节联合爱丁堡大学提出新的视觉预训练方法MUG，取得新的SOTA！模型和代码均已开源，快来领取！
...
Meta AI助手 视觉识别测试（Quest3 V68）
...
【EMNLP2023】清华联合阿里提出了利用大型语言模型辅助多模态OOD检测的新方法！