CVHub

YOLOE(ye) ，一种高效 、 统一 、 开放的物体检测和分割模型，类似于人眼，在文本 、 视觉输入和无提示范式等不同的提示机制下，与封闭式 YOLO 相比，具有零推理和传输开销 。

X-AnyLabeling 是一款集众多主流深度学习算法模型和丰富功能特性于一体的强大图像标注软件，其专注于解决实际应用。

在人工智能领域，赋予机器类人的图像文字感知、理解、编辑和生成能力一直是研究热点。目前，视觉文字领域的大模型研究主要聚焦于单模态生成任务。

ocLayout-YOLO 不仅在速度上与单模态方法YOLOv10相匹配，而且在准确性上超越了所有现有方法，包括单模态和多模态方法。

本文探讨了计算机视觉中骨干网络设计和优化器选择之间的相互作用。我们揭示了骨干-优化器耦合偏差（BOCB）现象及其对视觉骨干网络潜在的限制，例如在下游任务中额外的微调时间和努力。

POINTS 是微信团队开发的先进视觉语言模型，融合了多项创新技术。它采用保持纵横比的高分辨率动态显示（CATTY）、CapFusion 技术整合图像描述、双视觉编码器架构。

本文提出了 SaRA，一种新颖的参数高效微调方法，该方法充分利用了预训练模型中绝对值最小的无效参数。

YOLO（You Only Look Once）是一个著名的物体检测和图像分割模型，由Joseph Redmon和Ali Farhadi在华盛顿大学开发。

Segment Anything 的初次发布受到了广泛赞誉，在 ICCV 2023 上获得了荣誉提名，并吸引了行业领袖和学术界的关注。

X-AnyLabeling 是一款基于AI推理引擎和丰富功能特性于一体的强大辅助标注工具，其专注于实际应用，致力于为图像数据工程师提供工业级的一站式解决方案，可自动快速进行数据标定。

本文作者深刻反思了自己在这两年来从事大语言模型（LLM）工作中的感悟，由衷地分享了技术由于变革带来的冲击，同时也充分肯定了 LLM 在提升个人生产力和改变工作方式方面的巨大潜力。

作者被ICML 2024收录的Spider模型，首次提出对于CD概念的统一（训练、结构、参数）分割架构。文章分析了面向多CD概念统一理解时存在的多种挑战问题。

今天的文章将为大家揭示多模态大模型在辅助诊断、异常检测等方面的潜力与局限，不仅分享了对当前技术的深刻见解，还提出了关于数据质量和模型训练的重要思考。

YOLOv10 作为一款实时端到端目标检测模型，其通过创新的双标签分配策略和架构改进，在保持高速检测的同时显著提升了准确性和效率，提供了多个模型规模以适应不同应用场景。

TextCoT 是一种零样本思维链方法，无需精心设计提示样例，并且可以在参数量较小的7B模型上也展现出对多模态理解能力的提升，展现了广泛的适用性和强大的性能提升效果。

我们希望通过这个比赛，群策群力，一起解决这个困难的问题，名列前茅的队伍不但能获得荣誉，在比赛结束后我们会和参与者们一起总结各种solution的优劣，一起发表一篇该领域milestone的文章。

RT-H模型不仅可以响应人类的纠正，还可以从这些纠正中学习，以改进其未来的行为。当人类提供纠正时，这些纠正被视为额外的训练数据。

RT-2将预训练的视觉-语言模型（VLMs）进一步训练，使其能够直接控制机器人的动作。这个过程的目标是让模型学会将视觉输入和语言指令映射到具体的机器人动作上，从而实现对机器人的闭环控制。

机器人学习领域的泛化问题是指机器人模型能够将在特定任务、环境或条件下学到的知识和技能应用到新的、未见过的任务、环境或条件的能力。

随着大模型技术的持续升温，具身智能这一前沿领域也日益受到广泛关注与热议。为此，CVHub紧跟行业步伐，特别邀请到来自企业实践一线、深谙具身智能算法的算法工程师，倾力打造“具身智能论文精读”专栏。