计算机视觉

在计算机视觉领域，图像分割是一项核心任务，广泛应用于目标识别、追踪和分析等多个场景。 本文将介绍一种新颖的方法，利用两个基于变换器模型的零样本图像分割技术：GroundingDINO负责目标检测，而单任务注意力模型（SAM）负责语义分割。 我们将详细解读代码，并解释涉及的关键概念。

在计算机视觉领域迅速发展的今天，YOLO（You Only Look Once）模型已成为实时目标检测任务的热门选择。 从自动驾驶到视频监控，YOLO模型因其速度和准确性而表现出色。 然而，与任何机器学习模型一样，训练数据的质量极大地影响着它们的性能。

AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：[email protected]；[email protected]。

近年来，Transformer 架构彻底改变了自然语言处理（NLP）任务。 视觉Transformer（ViT）将这一创新更进一步，将变换器架构适应于图像分类任务。 本教程将指导您使用ViT对花卉图像进行分类。

图像处理是计算机视觉领域的一个重要分支，广泛应用于各种场景，如社交媒体滤镜、医疗影像分析、自动驾驶等。 Python 作为一门强大的编程语言，提供了多种库来帮助我们轻松地进行图像处理。 今天，我们就一起来学习如何使用 Python 进行图像处理。

译者 | 李睿审校 | 重楼近年来，深度学习模型在自然语言处理（NLP）和计算机视觉基准测试中的性能稳步提高。 虽然这些收益的一部分来自架构和学习算法的改进，但数据集大小和模型参数的增长是重要的驱动因素。 下图显示了top-1 ImageNet分类精度作为GFLOPS的函数，GFLOPS可以用作模型复杂性的指标。

在计算机视觉和图像处理应用中，选择正确的图像格式可以影响性能和质量。 无论你是在预处理数据以训练深度学习模型、在实时系统上运行推理，还是处理大型数据集，了解PNG、JPG和WEBP的优势和劣势可以帮助你做出明智的选择。 让我们深入了解每种格式在图像处理方面的独特特性，并提供实际的代码示例，展示如何使用Python中的OpenCV加载和保存这些格式。

作者 | 中国科学院多学科交叉研究团队编辑 | ScienceAI近年来，大语言模型（LLMs）已在自然语言、计算机视觉等通用领域引发了新一轮技术革命，通过大规模语料和模型参数进行预训练，LLMs能够掌握语言的共性规律，能够对多种下游任务产生质的提升，已经形成了新的人工智能范式。在生命科学领域，单细胞组学技术的突破产生了大量不同物种细胞的基因表达谱数据，形成了海量的生命「语料」。如果把基因表达值看…

会议简介随着科技的飞速发展，人工智能已经成为了推动社会进步的重要力量。在这个时代，我们有幸见证并参与到分布式人工智能（Distributed Artificial Intelligence， DAI）的创新与应用中。分布式人工智能是人工智能领域的重要分支，这几年引起了越来越多的关注。基于大型语言模型（LLM）的智能体（Agent）异军突起，通过结合大模型的强大语言理解和生成能力，展现出了在自然语言…

作者 | 赖文昕编辑 | 陈彩娴「简单，是终极的复杂。 」群星闪耀时1988 年的冬天，一辆火车从法国出发、开往卢森堡。 火车上有一行四人，来自法国南锡，他们精神焕发，兴高采烈地讨论着即将开始的旅程。

作者：赖文昕 马蕊蕾编辑：陈彩娴北京时间今天凌晨，美国西雅图正在召开的计算机视觉盛会 CVPR 2024 正式公布了最佳论文等奖项。 今年共有 2 篇论文获得了这份全球最重要的计算机视觉领域的大奖，团队成员分别来自谷歌研究院、加州大学圣地亚哥分校、南加州大学、剑桥大学及布兰迪斯大学。 本周（6.17-6.21），第四十一届国际计算机视觉与模式识别会议（CVPR）在美国西雅图拉开帷幕。

商汤绝影，率先完成了智能驾驭的四大手艺基座布局。

在科技日新月异的今天，手语识别作为一种新兴的跨学科研究领域，正逐渐走进公众视野。 近期，我们邀请了上海大学的方昱春教授，这位在计算机视觉和手语研究领域深耕多年的资深专家，与我们分享了她如何将计算机视觉技术与手语研究相融合，开辟出一片新的研究天地。 方教授的研究重点在于利用计算机视觉技术（CV）探索手语识别，特别是通过深度学习方法来求解这一复杂而神奇的自然语言交流形式。

遮拦是计算机视觉很基础但依旧未解决的问题之一，因为遮拦意味着视觉信息的缺失，而机器视觉系统却依靠着视觉信息进行感知和理解，并且在现实世界中，物体之间的相互遮拦无处不在。牛津大学 VGG 实验室 Andrew Zisserman 团队最新事情系统性解决了恣意物体的遮拦补全问题，并且为这一问题提出了一个新的更加精确的评价数据集。该事情受到了 MPI 大佬 Michael Black、CVPR 官方账号…

作者：赖文昕编辑：陈彩娴纵观个人履历，魏晓林深耕计算机视觉领域17年。 2007年，魏晓林在美国德克萨斯A&M大学攻读计算机科学博士学位，师承计算机视觉、图形学领域专家柴金祥。 2011年任Google总部高级工程师，是推动Google 3D Maps从零到一发布的核心研发人员。

与聋哑人交流，是一件成本很高的事情。 首先要看得懂手语，其次是会打手语。 在全球任何一个国家，手语都被归属为一门“小语种”。

图象立室是计算机视觉的一项基础义务，其目标在于估计两张图象之间的像素对应关系。图象立室是众多视觉应用如三维重修、视觉定位和神经渲染 (neural rendering) 等的基础和前置步骤，其精确度和效率对于后续处理十分重要。传统算法（SIFT）在面临长基线或极端天气等复杂场景时，其立室的准确度和密度往往有限。为了解决这些问题，近年来，基于深度学习的立室模型逐渐流行。然而，由于缺乏大规模且多样化的…

突破性的成就对金出武雄来说并不新鲜。 自上世纪八十年代以来，金出武雄（Takeo Kanade）一直是卡内基梅隆大学的基础。 他发起、领导、合作了几个主要的自主移动机器人和各种应用系统，譬如该校的无人驾驶汽车(NavLab)、自主直升机(Robocopter)、计算机辅助髋关节置换手术系统(HipNav)和视频监控系统(VSAM)，只要是与计算机视觉技术的相关项目，总能看到金出武雄的名字。

能够灵验实现多模态交叉提醒追踪。宗旨追踪是计算机视觉的一项根蒂根基视觉任务，由于计算机视觉的快速发展，单模态 (RGB) 宗旨追踪近年来取得了重大进展。考虑到单一成像传感器的局限性，我们需要引入多模态图像 (RGB、红外等) 来弥补这一缺陷，以实现复杂环境下全天候宗旨追踪。然而，现有的多模态追踪任务也面临两个主要问题：由于多模态宗旨追踪的数据标注成本高，大多数现有数据集规模有限，不足以支持构建灵验…