研究人员宣布了一个新的数据集，其中包含了一个拥有1万亿令牌的多模态数据集。该数据集包括图像、音频和文本数据，并可用于训练人工智能算法。通过使用这个数据集，研究人员可以更好地理解人类语言和视觉系统的工作...

科研人员最近提出了一种新的视频立体匹配方法，该方法通过确保时间连续性，增强了深度估计的能力。立体匹配是计算机视觉中的一个核心任务，主要用于恢复场景的深度信息。新的立体匹配方法在处理视频内容时，特别强调...

最新研究项目YOLOX-ViT在水下机器人领域中引入了一种创新的目标检测方法，该方法通过整合视觉变换器（Visual Transformers）和知识蒸馏（Knowledge Distillation）技术，显著提高了目标检测的准确性和效率。该技术的...

近年来，人工智能技术的发展趋势，使得图像处理技术得以广泛应用，如在自动驾驶、安保领域等。然而，一些研究表明，AI视觉系统与人类感知存在差异。 研究人员发现，图像伪造可影响人类感知，同时也可能误导AI视觉系...

Google的Big Vision项目是一个研究和生产最先进的视觉系统的重要工具库。最近，他们添加了权重分片，使得在多节点系统上的训练更加容易。这个新功能可以将模型分成多个子模型，分别在不同的节点上进行训练，最后再将...

随着强大的新视觉模型的出现，许多团队正在尝试构建使用视觉与Web元素交互的代理程序。Tarsier工具包介绍了一套标准工具（例如元素标记），您可以使用任何视觉系统来理解网页并执行操作。它还包括用于非视觉语言模型...

该项目引入了一种名为DatasetDM的新工具，它可以生成无尽的虚假图像，并附带详细的标签，比如哪部分是哪个对象或者图像中的物体离得有多远。这对于训练计算机视觉系统非常有用，仅使用一小部分真实照片，合成的图像...