计算机视觉标签_NVIDIA AI 技术专区

计算机视觉

从模仿到自我纠正：深入理解DAgger在自动驾驶策略学习中的应用

随着端到端自动驾驶、世界模型（World Models）、人类反馈强化学习（RLHF）等技术的发展，DAgger 有望成为它们之间的“桥梁”

喜欢ADAS猴猴
2025-08-04 09:45:00

 1763

 27

#自动驾驶 #学习 #人工智能 +2
论文阅读：多模态医学图像融合方法的研究进展

基于深度学习的多模态医学图像融合算法仍是主流方法。最新的方法进展不但运用了深度学习模型，而且在特征提取阶段结合了传统方法以优化细节，提高融合质量。

Buling21
2024-09-29 19:19:12

 4266

 29

#论文阅读 #深度学习 #计算机视觉
Doe-1：采用大世界模型的闭环自动驾驶

24年12月来自清华的论文“Doe-1: Closed-Loop Autonomous Driving with Large World Model”。端到端自动驾驶因其从大量数据中学习的潜力而受到越来越多的关注。然而，大多数现有方法仍然是开环的，并且存在可扩展性弱、缺乏高阶交互和决策效率低下的问题。本文探索自动驾驶的闭环框架，并提出一个大型驾驶世界模型（Doe-1）用于统一感知、预测和规划。将自

 硅谷秋水
2024-12-23 00:34:49

 1905

 29

#自动驾驶 #人工智能 #机器学习 +2
英伟达NVIDIA Jetson Xavier NX入门，从裸机环境配置到部署yolov5并成功运行，包括训练自己的模型

在cmake编译之前，手动下载cmake过程中缺失的依赖https://files.cnblogs.com/files/arxive/boostdesc_bgm.i%2Cvgg_generated_48.i%E7%AD%89.rar。pytorch版本不能随意安装，必须安装英伟达编译的好的库文件，链接：https://forums.developer.nvidia.com/t/pytorch-fo

\V/
2024-01-24 18:10:38

 4418

 32

#人工智能 #深度学习 #ubuntu +1
多模态融合综述

多模态数据中的不同模态通常包含不同的信息。通过联合训练或共享表示空间，隐式对齐方法可以实现端到端的学习，直接优化多模态任务的整体性能，也能学习到更加通用的模态对齐，从而提高模型在未见数据上的泛化能力，不足是对齐的质量通常受到模型结构和训练数据的影响，因此其对齐的准确性和稳定性可能难以保证。联合模式相比较其他模式可以使各个模态的表示在共享的语义子空间中保持一致的语义信息，使得模态之间的关系更加紧密，

用编程写诗
2024-10-13 15:21:36

 3732

 26

#人工智能 #计算机视觉
RIFT: 基于辐射变化不敏感特征变换的多模态图像匹配（Matlab代码实现）

不同传感器的成像机制可能大不相同，获取的图像对同一物体有不同的表现，导致图像对之间存在巨大的辐射差异。目前，如果图像的地理几何信息不可用，没有图像匹配方法可以同时应用于光学-光学匹配、红外-光学匹配、合成孔径雷达（SAR）-光学匹配、深度-光学匹配、地图-光学匹配和昼夜匹配。我们使用了六种不同类型的多模态图像数据集来评估RIFT，包括光学-光学、红外-光学、合成孔径雷达（SAR）-光学、深度-光学

 程序猿鑫
2024-01-11 14:41:56

 1067

 16

#matlab #计算机视觉 #深度学习
14篇多模态最新论文汇总，最新的研究成果在这里

【1】 ArtRAG: Retrieval-Augmented Generation with Structured Context for Visual Art Understanding标题： ArtRAG：具有结构化上下文的检索增强生成，用于视觉艺术理解链接：https://arxiv.org/abs/2505.06020作者： Shuai Wang, Ivona Najdenkoska,

SHENLANYANXUAN
2025-05-12 16:05:43

 1606

 26

#人工智能 #计算机视觉 #自然语言处理
无人驾驶入门——自动驾驶概述（一）

无人驾驶技术概述（系统架构、硬件、软件）车辆底盘感知的、定位的、车辆计算单元的、整车线控系统软件两系统RTOS、Framework；绿色相当于我们手机上的app即要开发的算法，HMI可视化感知系统收集到的信息处理后传递给定位能力，定位与周围的环境结合进行路径规划，规划后传递给控制模块，控制模块根据规划的路线进行行驶高精地图，它可以精准感知静态物体信息，比如某个车道限速40，车辆在开始即能感知到这

 远在远方_hh
2022-03-07 21:17:36

 884

#自动驾驶 #深度学习 #人工智能 +1
为什么Transformer适合做多模态任务？

提问：最近在学习Attention和Transformer相关的技术，看到很多资料说Transformer适合做多模态任务，看了模型结构中不知道哪里体现出了这一点？蜡笔小熊猫（复旦大学计...

人工智能与算法学习
2021-12-14 23:43:34

 4852

 4

#计算机视觉 #人工智能 #nlp +2
利用vscode远程连接gpu实现服务器展示图像(以foundationpose为例子)

之前配置foundationpose环境花了大量时间，一直卡在boost库的配置，但是又是必要的后面才知道这需要Linux系统，后来脑子一拍既然一堆神经网络都需要Linux系统何苦折磨自己的电脑。考虑到装双系统太麻烦，而且我的电脑本身就很垃圾，所以使用云端GPU显然是个不错的选择。这里我使用的是autodl算力云，价格便宜，因为算法社区的存在配置环境也是相当的快，学生还有优惠，绝对是你的第一选择(

qq_59819485
2025-06-06 13:17:28

 2271

 39

#vscode #服务器 #深度学习 +1
多模态模型：挑战与创新的未来之路

多模态模型是AI发展的重要趋势，但面临输入输出统一性和"幻觉"问题的挑战。研究者提出了Fact-RLHF算法、创新的数据收集方法和改进的训练技术来推动发展。同时，新的评估基准MMHal-Bench被创建，用于客观评估模型性能。这些创新方法和工具共同推动了多模态AI技术的进步，为未来研究提供了重要参考，但仍有许多问题待解决

 XianxinMao
2025-01-26 13:14:43

 767

 4

#人工智能 #深度学习 #计算机视觉
ICCV 2025｜Oasis：仅凭一张图像实现大规模多模态指令数据合成的方法！

现有多模态大模型的指令微调依赖于人力标注或复杂 prompting 合成的大量数据，难以同时兼顾多样性与质量。钩子式图像输入：在输入预查询与后查询模板之间，仅保留图像信息，去除所有文本指令，引导 MLLM 直接生成指令；多阶段数据分类：利用 LLM 对生成内容进行指令/描述分类，仅保留指令类型；四维质量控制。

CV实验室
2025-07-23 11:45:48

 1189

 20

#人工智能 #计算机视觉 #opencv
自动驾驶建图定位之RTK简介

作者丨大兵小将@知乎来源丨https://zhuanlan.zhihu.com/p/607430371编辑丨3D视觉工坊点击进入—>3D视觉工坊学习交流群一、RTK基本概念实时动态差分法（Real-time kinematic，RTK，载波相位差分技术）：基准站通过数据链将其载波观测量及站坐标信息一同传送给用户站。用户站接收GPS卫星的载波相位与来自基准站的载波相位，组成相位差分观测值进行处

 3Ｄ视觉工坊
2023-04-03 07:03:55

 2074

#自动驾驶 #人工智能 #机器学习 +1
安全带穿戴误检率↓82%！陌讯多模态融合算法在智慧交通的落地优化

陌讯推出多模态融合算法v3.2，显著提升智慧交通场景安全带识别准确率。针对施工车辆34.7%漏检率痛点，该方案采用双流时空特征融合和动态决策机制，有效解决动态遮挡和光照突变问题。实测显示在JetsonNano平台实现38ms响应延迟，误检率从22.3%降至3.9%，漏检率下降81.8%。方案支持INT8量化和光影模拟增强，已在港口运输项目中成功落地，日均误报警减少82%。

2501_92473287
2025-08-01 16:51:28

 893

 32

#算法 #人工智能 #目标检测 +2
李飞飞等：Agent AI的多模态交互革命，2024 年底最重磅的报告！

由李飞飞等人著作的《AGENT AI: SURVEYING THE HORIZONS OF MULTIMODAL INTERACTION》是一篇关于多模态交互和Agent AI最全面的论文以及未来展望，这份报告可能代表着未来 AI 商业化最有价值的方向之一，分享给大家！Agent AI是一类交互系统，能够感知视觉刺激、语言输入和其他环境基础数据，并产生有意义的具体行动。Agent AI被视为实现人

 小天才学习机打游戏
2024-12-30 21:22:11

 1869

 29

#人工智能 #架构 #java +2
FasterViT：英伟达提出分层注意力，构造高吞吐CNN-ViT混合网络 | ICLR 2024

论文设计了新的CNN-ViT混合神经网络FasterViT，重点关注计算机视觉应用的图像吞吐能力。FasterViT结合CNN的局部特征学习的特性和ViT的全局建模特性，引入分层注意力（HAT）方法在降低计算成本的同时增加窗口间的交互。在包括分类、对象检测和分割各种CV任务上，FasterViT在精度与图像吞吐量方面实现了SOTAHAT可用作即插即用的增强模块来源：晓飞的算法工程笔记公众号。

晓飞的算法工程笔记
2024-04-23 13:23:49

 1737

 13

#人工智能 #神经网络 #计算机视觉 +2
自动驾驶系列（三）——环境感知之车道线检测技术

自动驾驶汽车需要感知不同颜色以及在不同的光照条件下的车道线，依靠车道线检测技术能够指导车辆在正确的区域进行行驶，为自动驾驶汽车的自动巡航、车道保持、车道超车等行为提供依据，当车辆偏离车道时可为驾驶员提供预警，有助于汽车安全驾驶。...

景联文科技
2022-08-19 09:12:29

 1537

#人工智能 #计算机视觉 #深度学习
TransFusion | 基于Transformer的多模态融合算法（CVPR2022）

作者|zyrant 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/502087587点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取后台回复【多模态综述】获取论文！后台回复【ECCV2022】获取ECCV2022所有自动驾驶方向论文！后台回复【领域综述】获取自动驾驶全栈近80篇综述论文！1关键词：CVPR202...

自动驾驶之心
2022-08-04 07:30:43

 8229

#计算机视觉 #机器学习 #人工智能 +2
OpenDriveVLA：通过大型视觉-语言-动作模型实现端到端自动驾驶

25年3月来自慕尼黑工大和慕尼黑大学的论文“OpenDriveVLA: Towards End-to-end Autonomous Driving with Large Vision Language Action Model”。OpenDriveVLA，一种专为端到端自动驾驶而设计的视觉-语言-动作 (VLA) 模型。OpenDriveVLA 以开源预训练大型视觉-语言模型 (VLM) 为基础，

硅谷秋水
2025-04-06 17:08:00

 2626

 37

#自动驾驶 #人工智能 #机器学习 +3
nvcc -V 和 nvidia-smi 显示CUDA版本不一致的情况很常见，torch的cuda 以nvcc -V (CUDA编译器)为准

你遇到的 nvcc -V 和 nvidia-smi 显示CUDA版本不一致的情况很常见，这通常不是错误，而是因为它们代表了CUDA不同层面的版本信息。•Linux/macOS：修改 ~/.bashrc 或 ~/.zshrc 等配置文件中的 PATH 和 LD_LIBRARY_PATH 环境变量，将其指向你希望使用的CUDA安装路径（例如 /usr/local/cuda-11.8）。显示版本 CUD

zhangfeng1133
2025-09-04 11:14:44

 804

 9

#计算机视觉 #算法
强光干扰下误报率↓79%！陌讯多模态算法在驾驶安全检测的实战优化

测试环境：Jetson Xavier NX，分辨率1920×1080@30fps。图1：安全带检测遮挡示例（来源：Cityscapes驾驶数据集）其中 R 为姿态矫正函数，α,β,γ 为环境自适应权重。据《智慧交通安全年报2023》统计，。

2501_92487721
2025-07-29 18:28:09

 615

 13

#算法 #安全 #深度学习 +3
将cpu版本的pytorch换成gpu版本

将cpu版本的pytorch换成gpu版本的详细步骤

 Dragon_0010
2023-10-10 15:23:25

 5430

 7

#pytorch #人工智能 #python +3
LLaVA-ST：解锁时空理解，多模态大模型迈向细粒度新境界

导读近日北航在论文《LLaVA-ST: A Multimodal Large Language Model for Fine-Grained Spatial-Temporal Understanding》介绍了新型多模态大语言模型LLaVA-ST，专门用于处理细粒度的时空理解任务，通过引入语言对齐的位置嵌入（LAPE）和时空打包器（STP），以及一个包含430 万样本的训练数据集ST-Align，

福福很能吃
2025-01-22 15:59:23

 1180

 9

#人工智能 #深度学习 #机器学习 +4
ST-P3：首篇基于环视相机的端到端自动驾驶框架！（ECCV2022）

作者|PerceptionX 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/544387122点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取论文地址: https://arxiv.org/abs/2207.07601项目地址: https://github.com/OpenPerceptionX/ST-P37...

自动驾驶之心
2022-07-26 11:30:31

 1958

 1

#大数据 #算法 #编程语言 +2
静电服识别误报率↓75%：陌讯多模态融合算法实战解析

摘要：陌讯多模态融合算法显著提升静电服识别性能，在复杂工业场景中实现误报率↓75%。针对传统系统35%的误报率、28%漏检率及100ms+延迟等痛点，该架构融合可见光与红外特征，采用GCN处理遮挡问题，实测mAP达0.913，误报率仅7.3%，推理延迟42ms。某晶圆厂部署后误报率从35.2%降至7.3%，单路功耗5.8W。支持INT8量化（精度损失<1%）和光影模拟增强，有效解决工业场景的

 2501_92474742
2025-08-01 17:49:02

 871

 18

#算法 #计算机视觉 #视觉检测 +2
多模态（文本、图像）表征（嵌入）模型：jina-embeddings-v4

Jina Embeddings v4是一个基于Qwen2.5-VL-3B-Instruct构建的多模态通用嵌入模型，支持文本、图像和视觉文档的统一嵌入表示。该模型具有2048维密集嵌入和128维多向量嵌入能力，支持30多种语言，特别适合处理包含图表、表格等复杂元素的文档检索。技术亮点包括FlashAttention2注意力机制和灵活的可调嵌入维度（最低128维）。模型可通过API或开源框架使用，同

 Panesle
2025-07-02 10:30:00

 832

 9

#jina #开源 #图像处理 +2
ICCV 2021 | 英伟达新研究：直接通过视频就能捕获3D人体动作！

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达丰色发自凹非寺来源：量子位（QbitAI）不靠昂贵的动捕，直接通过视频也能提取3D人体模型然后进行生成训练：英伟达这...

Amusi（CVer）
2021-09-30 17:05:00

 1767

#机器学习 #人工智能 #深度学习 +2
高密度场景漏检率↓82.7%！陌讯多模态融合算法在聚众识别中的实战优化

《高密度场景漏检率↓82.7%！陌讯多模态融合算法优化聚众识别》摘要：针对公共安防场景中人群密度检测漏报率高（峰值达35%）的痛点，陌讯提出基于时空特征聚合的多模态融合算法。通过动态权值机制（光照突变时热力特征权重提升至0.83）和三级置信度分级，在Jetson Xavier设备实现mAP@0.5达0.882、推理延迟47ms。实际部署显示，地铁场景高峰漏检率从38.2%降至6.6%，RK3588

2501_92723140
2025-07-23 16:42:12

 596

 20

#人工智能 #算法 #大数据 +3
最具有影响力的三个视觉平台 | 3D高斯、场景重建、三维点云、工业3D视觉、SLAM、三维重建、自动驾驶

这里给大家推荐三个国内具有影响力的3D视觉方向平台！

3DCV
2024-04-07 15:20:59

 812

 19

#3d #自动驾驶 #人工智能 +4
大件垃圾识别准确率↑32%：陌讯多模态融合算法实战解析

摘要：陌讯多模态融合算法有效提升大件垃圾识别准确率32%，解决传统方案在环境干扰、形态不规则和边缘部署上的痛点。该算法采用"环境感知→特征增强→动态决策"三阶流程，融合RGB视觉与深度信息，实现动态阈值调整。在RK3588边缘设备上实测显示，误报率从38.2%降至6.2%，推理延迟低于45ms，12类目标平均识别准确率达91.3%。文章还提供了量化部署和数据增强的优化建议，并探

 2501_92473199
2025-08-06 17:12:22

 929

 16

#人工智能 #大数据 #算法 +3
自动驾驶 | 车道检测实用算法

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达作者 |Ethon来源|决策智能与机器学习车道识别是自动驾驶领域的一个重要问题，今天介绍一个利用摄像头图像进行车道识别的实用算法。该算法利用了OpenCV库和Udacity自动驾驶汽车数据库的相关内容。该算法包含以下步骤：摄像头校准，以移除镜头畸变（Lens distortion）的影响图像前处理，用于识别车道线道路视角变...

小白学视觉
2023-01-22 21:05:18

 1644

#自动驾驶 #算法 #计算机视觉 +2
密集场景漏报率↓75%！陌讯多模态算法在车站安防的聚众识别实战

《多模态算法革新车站安防：漏报率骤降75%》摘要：针对车站等高密度场景聚众识别难题，陌讯提出光流-姿态多模态融合方案，通过三阶处理流程实现精准检测。实测显示，该算法在Jetson Nano平台达到mAP@0.5=87.6%，漏报率从42.1%降至7.3%，延迟仅48ms。方案包含INT8量化等工业级优化，使模型体积缩减65%同时保持精度损失<1%。该技术有效解决了传统方案在高密度遮挡、行为误

 2501_92487837
2025-07-26 17:47:52

 579

 14

#算法 #人工智能 #计算机视觉 +2
多模态视频理解领域 Benchmark 与 Leaderboard 整理

本文系统梳理了多模态视频理解领域的核心基准测试（Benchmark）和排行榜（Leaderboard），为研究者提供评估模型性能的参考框架。重点介绍了7个具有代表性的Benchmark，包括MMBench-Video、Video-MMMU等，涵盖通用视频理解、教育知识获取、3D空间推理等多样化任务。同时整理了4个主要Leaderboard，如OpenCompass司南榜单和SuperCLUE中文评

 Shilong Wang
2025-09-15 16:08:11

 2804

 20

#算法 #人工智能 #计算机视觉 +1
【多模态】BLIP-2模型技术学习

最近多模态模型特别火，从头开始学习！在前面写的几篇里面学习了MiniCPM-V、ViT、CLIP和BLIP之后，今天学习一下BLIP-2模型，记录学习过程，主要是模型架构、训练方式和相关源代码的理解。欢迎批评指正，一起学习~~

威化饼的一隅
2024-11-09 09:25:32

 2919

 15

#深度学习 #语言模型 #计算机视觉
电动车未佩戴头盔识别误报率↓78%：陌讯多模态融合算法实战解析

本文为原创技术解析，核心技术参数与架构设计引用自《陌讯技术白皮书》，禁止任何形式的未经授权转载。

2501_92474790
2025-07-30 18:29:41

 721

 13

#人工智能 #算法 #计算机视觉 +3
【AI绘画】ComfyUI - AnimateDiff基础教程和使用心得

SD全套资料，包括汉化安装包、常用模型、插件、关键词提示手册、视频教程等都已经打包好了，无偿分享，有需要的小伙伴可以自取。感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智

 爱绘画的彤姐
2024-10-09 17:07:05

 2139

 25

#AI作画 #人工智能 #AIGC +1
南大院士谭铁牛 | 首个多模态统一大模型综合评测基准MME-Unify问世。

统一多模态大语言模型（UMLLMs）因其能够无缝集成生成和理解任务而备受关注。然而，现有研究缺乏统一的评估标准，往往依赖孤立的基准测试来评估这些能力。此外，当前的工作通过案例研究突出了“混合模态生成能力”的潜力，例如在图像中生成辅助线以解决几何问题，或在生成相应图像之前对问题进行推理。尽管如此，目前尚无标准化的基准测试来评估模型在这些统一任务上的表现。为了填补这一空白，提出MME-Unify，也称

 AI生成曾小健
2025-04-09 09:38:45

 1019

 7

#计算机视觉 #人工智能
自动驾驶Occupancy梳理笔记（四）：GaussianFormer, OSP, ViewFormer, OPUS

四篇Occ论文方法整理和详细解读：GaussianFormer[ECCV2024], OSP[ECCV2024], ViewFormer[ECCV2024], OPUS[NIPS2024]

xying_chloe
2025-01-23 07:30:00

 1813

 35

#计算机视觉 #人工智能 #自动驾驶 +1
【自动驾驶硬件组成】

本文介绍了自动驾驶系统的基本硬件组成，包括感知模块、定位传感器、控制单元、通信模块和电源系统

 自动驾驶小哥
2023-04-18 00:39:04

 4262

 3

#自动驾驶 #计算机视觉
【论文合集】多模态医学图像融合

本文综述了多模态医学图像融合领域的最新研究进展，涵盖12种创新方法及其性能表现。BSAFusion方法将配准与融合统一处理，在MRI-PET/SPECT数据集上QSSIM达1.0549/1.0661；WatMIF水印技术提升鲁棒性20.14%，PSNR达49.1845dB；MMIF-MDWTAOA实现7.56bits/pixel熵值和94.09% SSIM；TIEF网络在下游分割任务中表现优异；多

 机器爱上学习
2025-07-07 14:38:53

 1121

 20

#计算机视觉 #图像处理 #人工智能
最新综述：自动驾驶的协同感知技术

点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【数据集下载】获取计算机视觉近30种数据集！arXiv综述论文“Collaborative Perception for Autonomous Driving: Current Status and Future Trend“，2022年8月23日，上海交大。感知是自主驾驶系统的关键模块之一，

自动驾驶之心
2022-09-03 08:30:32

 3102

 2

#大数据 #python #计算机视觉 +2
CVPR 2023 | 结合Transformer和CNN的多任务多模态图像融合方法

©作者 | 奥本海默本文为大家带来 CVPR 2023 在图像融合领域的最新工作 CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition，作者是西安交通大学的赵子祥博士。本文的整体架构和赵博士先前在 IJCAI 上发表的 DIDFuse 有继承关系，这次的亮点是：结合 CNN 和当前火爆的 Transformer；将特征解耦的思想

 PaperWeekly
2023-04-02 23:15:15

 6667

 11

#transformer #cnn #深度学习 +2
顶会青睐，2025年好发论文的方向——多模态特征融合！

多模态特征融合技术演进：从早期简单拼接到深度学习动态交互，再到当前多模态大模型(MLLMs)的分层融合，显著提升生成与推理能力。关键突破包括：1)EchoVideo模型通过IITF模块融合文本语义与面部特征，实现身份一致的视频生成；2)多模态大语言模型中，外部直接融合策略被验证为最优多层视觉特征整合方案。这些进展为内容创作、智能交互等场景带来新可能。附12篇顶会论文资料，涵盖最新融合技术与应用实践

 六月星辰梓
2025-05-30 13:56:43

 1418

 24

#机器学习 #深度学习 #人工智能 +2
win10GPU服务器，keras-yolov3执行train.py时，提示Adding visible gpu devices: 0 卡着不动

解决方法：我的电脑，右键，属性，高级系统设置，高级，环境变量，然后添加一个CUDA_CACHE_MAXSIZE变量，值为：4294967296，点击确定

 至尊宝♬
2021-12-23 13:56:44

 1987

#计算机视觉 #python
多模态LLM幻觉问题降低30%！业内首个“啄木鸟”免重训方法诞生｜中科大

丰色发自凹非寺量子位 | 公众号 QbitAI还在用指令微调解决多模态大模型的“幻觉”问题吗？比如下图中模型将橙色柯基错认为“红狗”，还指出周围还有几条。现在，中科大的一项研究想到了一个全新办法：一个免重训、即插即用的通用架构，直接从模型给出的错误文本下手，“倒推”出可能出现“幻觉”之处，然后与图片确定事实，最终直接完成修正。他们将这个方法命名为“啄木鸟”（Woodpecker）。就像这位所谓

 QbitAl
2023-10-29 12:05:27

 451

#计算机视觉 #人工智能
头盔识别误报率骤降82%？陌讯多模态检测架构实战解析

【复杂场景精准识别】针对电动车头盔检测中的雨雾干扰、误报率高等痛点，陌讯视觉算法通过多模态融合架构与动态稀疏卷积技术，实现mAP@0.5达94.7%的精度突破。实测某市交警系统落地中，误报率降低82%，边缘端推理时延仅13ms。

2501_92488955
2025-07-14 17:25:07

 364

 5

#人工智能 #算法 #计算机视觉 +1
videoprism论文速读：一个用于多模态理解与生成的大型视频-文本数据集

《InternVid：大规模视频-文本数据集助力多模态理解与生成》摘要：本文介绍了大规模视频-文本数据集InternVid，包含700万视频(76万小时)和2.34亿个片段，配有41亿词的详细描述。针对现有数据集视频文本相关性不足的问题，研究者创新性地利用LLM构建高质量数据集。通过场景变化修剪和多尺度字幕生成策略，确保了数据的时间动态性和语义丰富性。基于此数据集开发的ViCLIP模型在多项基准

 Panesle
2025-07-01 10:30:00

 1305

 19

#音视频 #计算机视觉 #人工智能 +3
自动驾驶中点云配准常用方法

作者丨大兵小将@知乎来源丨https://zhuanlan.zhihu.com/p/607917968编辑丨3D视觉工坊点击进入—>3D视觉工坊学习交流群自动驾驶建图定位中常使用ICP、NDT等配准算法，本文主要介绍这两者的基本概念及区别联系。一、ICP配准1、基本概念ICP通过迭代的方式，通过优化相对位姿，不断减小两帧点云之间点到点的距离，直到迭代收敛，最终计算出两帧点云的相对位姿。2、I

3Ｄ视觉工坊
2023-04-05 00:03:55

 2216

#自动驾驶 #算法 #人工智能 +2