标签
YouTube 上线“用相机拍摄”标签，为真实视频“验明正身”
YouTube 正在推出新的“用相机拍摄”标签，以表明上传的视频是否来自真实相机拍摄，且具有未经修改的画面和声音。图源 Pexels数字内容认证服务 Trupic 上传了一段视频到其频道，展示了新的“用相机拍摄”标签的实际效果，该标签会在视频描述面板中显示。Trupic 表示，这是“YouTube 上第一个带有 C2PA 内容凭证的真实视频”。
ICML 2024| 大语言模型助力基于CLIP的分布外检测任务
当训练数据集和测试数据集的分布相同时，机器学习模型可以表现出优越的性能。然而在开放世界环境中，模型经常会遇到分布外（Out-of-Distribution, OOD，下称“OOD”）样本，OOD样本可能会导致模型做出不可预测的行为，而错误的后果可能是致命的，尤其是在自动驾驶等高风险场景中 [1, 2]。因此OOD检测对于保障机器学习模型在实际部署中的可靠性至关重要。大多数OOD检测方法 [1, 3] 可以基于训练有素的分布内 (In-Distribution, ID) 分类器有效地检测 OOD 样本。然而，对于不同
Meta 将真实照片标记为“AI 生成”，引发多名摄影师不满
据 TechCrunch 报道，多名摄影师对社交媒体巨头 Meta 旗下平台在他们上传的真实照片上添加“AI 生成”标签的做法表示不满。过去几个月里，已有摄影师分享了多个此类案例。例如，前白宫摄影师 Pete Souza 拍摄的一张篮球比赛照片，以及一张记录了加尔各答骑士队赢得印度超级联赛板球锦标赛的图片，都被 Meta 平台标记为“AI 生成”。值得注意的是，这些标签仅在手机端显示，电脑网页版并不会出现。Souza 表示他尝试取消该标签却未成功。他推测，使用 Adobe 的裁剪工具以及将图像转为 JPG 格式时进
ICLR 2024 Spotlight | 负标签挖掘助力基于CLIP的分布外检测任务
在机器学习模型日益应用于开放世界场景中，如何有效识别和处理分布外（Out-of-Distribution, OOD）数据成为一个重要研究领域[1]。分布外数据的存在可能导致模型过度自信和错误预测，这在安全关键应用（如自动驾驶和医疗诊断）中尤为危险。因此，发展一种有效的OOD检测机制，对于提高模型在实际应用中的安全性和可靠性至关重要。传统的OOD检测方法主要集中在单一模态，特别是图像数据上，而忽视了其他潜在有用的信息源，例如文本数据。随着视觉-语言模型（VLMs）的兴起，它们在多模态学习场景中展示了强大的性能，特别是
网页版 Copilot 被曝 BUG：用户切换标签页后，生成图片操作会中止
根据国外科技媒体 mspoweruser 报道，微软网页版 Copilot 在生成图片方面存在一个 BUG：在生成过程中，如果切换到其它页面，相关生成操作就会中止。根据该媒体实测，在和 Copilot 聊天过程中，输入提示词要求生成照片后，切换到其它浏览器标签页，时隔 5 分钟再次切回，发现 Copilot 依然处于生成状态中。IT之家援引该媒体后续测试，发现谷歌的 Gemini 并没有存在上述问题，切换到其它标签页之后依然能够在后台运行，执行生成操作。
我用ChatGPT写神经网络：一字不改，结果竟然很好用
AI 写 AI，来得比预料中更快一些。
对比学习引领弱标签学习新SOTA，浙大新研究入选ICLR Oral
本文介绍浙江大学、威斯康星大学麦迪逊分校等机构的最新工作 PiCO，相关论文已被 ICLR 2022 录用（Oral, Top 1.59%)！偏标签学习 (Partial Label Learning, PLL) 是一个经典的弱监督学习问题，它允许每个训练样本关联一个候选的标签集合，适用于许多具有标签不确定性的的现实世界数据标注场景。然而，现存的 PLL 算法与完全监督下的方法依然存在较大差距。为此，本文提出一个协同的框架解决 PLL 中的两个关键研究挑战 —— 表征学习和标签消歧。具体地，研究者提出的 PiCO
技术博客丨动手实践系列：CV语义分割！
作者：游璐颖，福州大学，Datawhale成员 图像分割是计算机视觉中除了分类和检测外的另一项基本任务，它意味着要将图片根据内容分割成不同的块。相比图像分类和检测，分割是一项更精细的工作，因为需要对每个像素点分类。如下图的街景分割，由于对每个像素点都分类，物体的轮廓是精准勾勒的，而不是像检测那样给出边界框。图像分割可以分为以下三个子领域：语义分割、实例分割、全景分割。 由对比图可发现，语义分割是从像素层次来识别图像，为图像中的每个像素制定类别标记，目前广泛应用于医学图像和无人驾驶等；实例分割相对更具有挑战性，不仅需
何为多标签分类？这里有几种实用的经典方法
这可能是最实用的多标签分类小贴士。
- 1