TUM&谷歌提出md4all：挑戰(zhàn)性條件下的單目深度估計
在這些情況下, 傳感器自帶的噪聲、無紋理的黑暗區(qū)域和反光等不利因素都違反了基于監(jiān)督和自監(jiān)督學(xué)習(xí)方法的....
特斯拉前AI總監(jiān)Andrej Karpathy：大模型有內(nèi)存限制，這個妙招挺好用！
為了讓大家更好的理解 Karpathy 的內(nèi)容。我們先介紹一下「Speculative decodi....
中科大&字節(jié)提出UniDoc：統(tǒng)一的面向文字場景的多模態(tài)大模型
如上圖所示，UniDoc基于預(yù)訓(xùn)練的視覺大模型及大語言模型，將文字的檢測、識別、spotting(圖....
重新思考跨域行人檢測：無實(shí)例單階段檢測器的背景聚焦分布對齊框架
為了解決這一問題，我們系統(tǒng)地分析了前景和背景在圖像級跨域?qū)R中的重要性，并認(rèn)識到在圖像級跨域?qū)R中，....
英偉達(dá)神奇研究：用別的模型權(quán)重訓(xùn)練神經(jīng)網(wǎng)絡(luò)，改神經(jīng)元不影響輸出！
根據(jù)這種方法，我們可以根據(jù)其他網(wǎng)絡(luò)的權(quán)重來訓(xùn)練一個網(wǎng)絡(luò)，這也許是一個用來做持續(xù)學(xué)習(xí)的好方法。同樣有趣....
ReDB：通過可靠、多樣和類平衡的偽標(biāo)簽重新審視跨域3D目標(biāo)檢測
隨著基于激光雷達(dá)（LiDAR）的三維物體檢測在機(jī)器人系統(tǒng)和自動駕駛汽車等各種應(yīng)用中不斷發(fā)展，解決在實(shí)....
SHERF：可泛化可驅(qū)動人體神經(jīng)輻射場的新方法
人體神經(jīng)輻射場的目標(biāo)是從 2D 人體圖片中恢復(fù)高質(zhì)量的 3D 數(shù)字人并加以驅(qū)動，從而避免耗費(fèi)大量人力....
改動一行代碼，PyTorch訓(xùn)練三倍提速！這些技術(shù)是關(guān)鍵！
想要注意的是，模型和數(shù)據(jù)集的詳細(xì)信息并不是這里的主要關(guān)注點(diǎn)（它們只是為了盡可能簡單，以便讀者可以在自....
華為諾亞提出全新目標(biāo)檢測器Focus-DETR
為實(shí)現(xiàn)模型性能和計算資源消耗、顯存消耗、推理時延之間的平衡，F(xiàn)ocus-DETR 利用精細(xì)設(shè)計的前景....
首個線性注意力Transformer大模型！1750億參數(shù)，速度和精度更優(yōu)
即便如此，傳統(tǒng)的 Transformer 依然存在局限。首要的一點(diǎn)，它們有著對于序列長度的二次時間復(fù)....
PVT++：通用的端對端預(yù)測性目標(biāo)跟蹤框架
然而，這一假設(shè)在機(jī)器人部署中通常是難以滿足的，因?yàn)樗惴ū旧淼难舆t在機(jī)器人硬件上不可忽視，當(dāng)算法完成當(dāng)....
北大提出MotionBERT：人體運(yùn)動表征學(xué)習(xí)的統(tǒng)一視角
構(gòu)建這種表征的一個重要挑戰(zhàn)是人體運(yùn)動數(shù)據(jù)資源的異質(zhì)性。運(yùn)動捕捉（MoCap）系統(tǒng)提供了基于標(biāo)記和傳感....
APE：對CLIP進(jìn)行特征提純能夠提升Few-shot性能
CLIP是一個通用的模型，考慮到下游數(shù)據(jù)分布的差異，對某個下游任務(wù)來說，CLIP提取的特征并不全是有....
南開大學(xué)提出LSKNet：遙感旋轉(zhuǎn)目標(biāo)檢測新SOTA！
如圖1(a)所示，遙感圖像中的物體檢測器所使用的有限范圍的背景往往會導(dǎo)致錯誤的分類。例如，在上層圖像....
清華&西電提出HumanMAC：人體動作預(yù)測新范式
人體動作預(yù)測是計算機(jī)視覺和圖形學(xué)中的一個經(jīng)典問題，旨在提升預(yù)測結(jié)果的多樣性、準(zhǔn)確性，并在自動駕駛、動....
首篇！Point-In-Context：探索用于3D點(diǎn)云理解的上下文學(xué)習(xí)
隨著基于廣泛數(shù)據(jù)訓(xùn)練的大模型興起，上下文學(xué)習(xí)（In-Context Learning）已成為一種新的....
你的DragGAN并不需要點(diǎn)跟蹤！中科大和上海AI Lab提出FreeDrag：無需點(diǎn)跟蹤即可穩(wěn)定拖動語義內(nèi)容
這一驚人效果來自于發(fā)表在SIGGRAPH 2023會議上的 [Drag Your GAN] 論文（簡....
TLDR: 視頻分割一直是重標(biāo)注的一個task，這篇CVPR 2023文章研究了完全不需要標(biāo)注的視頻物體分割。
這個定律啟發(fā)了基于運(yùn)動的無監(jiān)督分割。然而，Common Fate并不是物體性質(zhì)的可靠指標(biāo)：關(guān)節(jié)可動 ....
爆了！GPT-4模型架構(gòu)、訓(xùn)練成本、數(shù)據(jù)集信息都被扒出來了
文章稱，他們從許多來源收集了大量有關(guān) GPT-4 的信息，包括模型架構(gòu)、訓(xùn)練基礎(chǔ)設(shè)施、推理基礎(chǔ)設(shè)施、....
機(jī)器人接入大模型直接聽懂人話，日常操作輕松完成！
接著，LLM（大語言模型）根據(jù)這些內(nèi)容編寫代碼，所生成代碼與VLM（視覺語言模型）進(jìn)行交互，指導(dǎo)系統(tǒng)....
特斯拉前AI總監(jiān)Karpathy：我被自動駕駛分了心，AI智能體才是未來！
但是因?yàn)楫?dāng)時的技術(shù)所限，做出來的效果不好，于是他和OpenAI就改變了方向，開始做大語言模型了。最簡....
SAM-PT：點(diǎn)幾下鼠標(biāo)，視頻目標(biāo)就分割出來了！
在半監(jiān)督視頻對象分割（VOS）和視頻實(shí)例分割（VIS）方面，目前的主流方法處理未知數(shù)據(jù)時表現(xiàn)一般，是....
VISPROG：以神經(jīng)符號方式將人工智能推向更廣泛、更復(fù)雜的任務(wù)領(lǐng)域
VisProg目前支持20個模塊，可實(shí)現(xiàn)圖像理解、圖像操作（包括生成）、知識檢索和算術(shù)和邏輯操作等能....
谷歌新作SPAE：GPT等大語言模型可以通過上下文學(xué)習(xí)解決視覺任務(wù)
這篇論文揭示了 PaLM 或 GPT 在通過上下文學(xué)習(xí)解決視覺任務(wù)方面的能力，并提出了新方法 SPA....
基于醫(yī)學(xué)知識增強(qiáng)的基礎(chǔ)模型預(yù)訓(xùn)練方法
? ? ? 近年來，基于大數(shù)據(jù)預(yù)訓(xùn)練的多模態(tài)基礎(chǔ)模型 (Foundation Model) 在自然語....
AIGC時代的ImageNet！百萬生成圖片助力AI生成圖片檢測器研發(fā)
過去業(yè)界也有推出一些數(shù)據(jù)集。他們主要有三個特點(diǎn)。第一個是數(shù)據(jù)規(guī)模小，第二個是都是基于GAN的，第三個....
