CVHub

欢迎来到CVHub技术文章年中总结专区！本篇文章将为您呈现CVHub平台上的一系列优质技术文章，这些文章包含了各种计算机视觉相关的主题，从科普软文、算法原理到工程实战等。

本项目以LLaMA为基础模型，采用两阶段训练方法，首先在五大中文语料进行训练微调，其次在少量但多样数据上进行指令微调，开发了中文大语言模型Panda LLM。

随着ChatGPT的病毒式传播，生成式人工智能(AIGC, a.k.a AI-generated content）因其分析和创造文本、图像、视频以及其他方面的出众能力而俨然成为当下最火热的投资赛道。

本文介绍了一种名为LLaMA-Adapter的轻量级适配方法，仅引入1.2M可学习参数，微调一小时即可将LLaMA调整为一个支持下游任务的良好模型，同时支持多模态（文本与图像）输入。

一个高效的混合编码器，通过解耦内部尺度交互和跨尺度融合来高效地处理多尺度特征，并提出了 IoU 感知的查询选择来改进目标查询的初始化。此外，RT-DETR 支持使用不同的解码器层来灵活调整推断速度。

导读 特征金字塔网络现代识别系统中的一种基础网络结构，可有效地用于检测不同尺度的物体。PANet 提出了一种额外的自下而上路径，使高级特征图也可以从低级特征图中获得足够的细节信息。

这篇论文讨论了一种称为 CLIP-Pixels Only（CLIPPO）的多模式模型，它是一个纯基于像素的模型，可以用来执行图像、文本和多模式任务。

在这项工作中，作者结合 CNN+Transformer 设计了一种简单而有效的混合网络结构 CASTformer 并用于 2D 的医学图像分割。

ViT 是一种通过将图像切割成一个个小方块(patch)将图像转换为序列从而输入到Transformer网络进行训练和推理的一种神经网络架构。