2D Transformer 可以幫助3D表示學(xué)習(xí)嗎？

預(yù)訓(xùn)練的2D圖像或語言Transformer：作為基礎(chǔ)Transformer模型，具有豐富的特征表示能力。作者選擇了先進的2D Transformer模...

2023-07-03 標(biāo)簽：模型數(shù)據(jù)集Transformer 1137 0

上交清華提出中文大模型的知識評估基準(zhǔn)C-Eval，輔助模型開發(fā)而非打榜

首先，把一個模型調(diào)成一個對話機器人這件事情并不難，開源界已經(jīng)有了類似于 Alpaca, Vicuna, RWKV 這樣的對話機器人，跟它們隨便聊聊感覺都...

2023-05-24 標(biāo)簽：機器人數(shù)據(jù)集OpenAI 1134 0

SLAM/SfM相似非回環(huán)場景應(yīng)該如何處理？

相似結(jié)構(gòu)一直是SLAM和SfM中很難處理卻又不得不處理的問題，如果機器人遇到了非常相似但實際不同的結(jié)構(gòu)，很容易因為匹配數(shù)量足夠多而引發(fā)假陽性回環(huán)和重建失...

2023-09-20 標(biāo)簽：機器人SLAM分類器 1131 0

通過卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)MNIST數(shù)據(jù)集分類

對比單個全連接網(wǎng)絡(luò)，在卷積神經(jīng)網(wǎng)絡(luò)層的加持下，初始時，整個神經(jīng)網(wǎng)絡(luò)模型的性能是否會更好。

2023-03-02 標(biāo)簽：代碼數(shù)據(jù)集卷積神經(jīng)網(wǎng)絡(luò) 1130 0

Meta研究：基于頭顯攝像頭進行姿態(tài)估計的方法和優(yōu)缺點

AR/VR體驗需要由用戶姿態(tài)的顯式表征所驅(qū)動。特別地，其需要從設(shè)備的角度估計用戶的姿態(tài)，這隱含地對應(yīng)于以自我為中心的角度，亦即與用戶3D頭部和身體姿態(tài)相...

2023-05-31 標(biāo)簽：攝像頭模型數(shù)據(jù)集 1130 0

?高精地圖生成技術(shù)大揭秘

同樣采用了點圖融合方式生成BEV特征，區(qū)別在于對圖像分支采用IPM+高度插值方式實現(xiàn)PV2BEV轉(zhuǎn)換。IPM是傳統(tǒng)的PV2BEV轉(zhuǎn)換方法，但需要滿足地面...

2023-05-05 標(biāo)簽：圖像數(shù)據(jù)集自動駕駛 1121 0

GLoRA：一種廣義參數(shù)高效的微調(diào)方法

近年來，大規(guī)模深度神經(jīng)網(wǎng)絡(luò)的顯著成就徹底改變了人工智能領(lǐng)域，在各種任務(wù)和領(lǐng)域展示了前所未有的性能。這些高度復(fù)雜的模型，通常具有數(shù)百萬甚至數(shù)十億個參數(shù)，在...

2023-06-27 標(biāo)簽：神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集自然語言 1093 0

一個通用的自適應(yīng)prompt方法，突破了零樣本學(xué)習(xí)的瓶頸

為了解決這個問題，這篇研究提出了一種Universal Self-adaptive Prompting (USP)方法，對LLMs的零樣本學(xué)習(xí)進行了優(yōu)化...

2023-06-01 標(biāo)簽：語言模型數(shù)據(jù)集自然語言 1091 0

如何使用TPU-MLIR進行模型轉(zhuǎn)換

TPU-MLIR之精度驗證

2023-08-21 標(biāo)簽：網(wǎng)絡(luò)數(shù)據(jù)集模型轉(zhuǎn)換 1090 0

SEDNet：視差和不確定性聯(lián)合評估的新方法

立體匹配網(wǎng)絡(luò)在一種稱為成本體積（cost volume）的體積上運行，該體積在每個像素處匯聚每個可能視差處的二維特征，并可以通過相關(guān)或串聯(lián)來構(gòu)建。Dis...

2023-05-15 標(biāo)簽：函數(shù)數(shù)據(jù)集 1086 0

頂刊TPAMI 2023！生成式AI與圖像合成綜述發(fā)布！

近期，火熱的擴散模型也被廣泛應(yīng)用于多模態(tài)合成與編輯任務(wù)。例如效果驚人的DALLE-2和Imagen都是基于擴散模型實現(xiàn)的。相比于GAN，擴散式生成模型擁...

2023-09-05 標(biāo)簽：圖像數(shù)據(jù)集生成式AI 1076 0

廢鋼分類中的計算機視覺算法應(yīng)用探索

深度學(xué)習(xí)系統(tǒng)的優(yōu)勢在于，它們會隨著訓(xùn)練數(shù)據(jù)的增多而變得更好。為了維護一個即使在復(fù)雜情況下也能表現(xiàn)良好的健壯系統(tǒng)，部署的模型將定期使用最新的圖像進行重新訓(xùn)練。

2024-04-24 標(biāo)簽：計算機視覺機器學(xué)習(xí)數(shù)據(jù)集 1070 0

香港大學(xué)最新提出！實現(xiàn)超現(xiàn)實的人類圖像生成：HyperHuman

最后，為了進一步提高視覺質(zhì)量，我們提出了一種結(jié)構(gòu)引導(dǎo)細化器來組合預(yù)測條件，以更詳細地生成更高分辨率。大量的實驗表明，我們的框架具有最先進的性能，可以在不...

2023-11-27 標(biāo)簽：框架數(shù)據(jù)集圖像生成 1068 0

基于多攝像頭的高魯棒性視覺SLAM系統(tǒng)設(shè)計

本文的主要目標(biāo)是通過擴展ORB-SLAM2的功能來增強準(zhǔn)確性，從多個攝像頭中的姿態(tài)估計和地圖重用開始。所有這些多攝像頭的圖像特征將被合并到跟蹤模塊中進行...

2024-04-20 標(biāo)簽：攝像頭SLAM數(shù)據(jù)集 1067 0