Grounding DINO
PulseAugur coverage of Grounding DINO — every cluster mentioning Grounding DINO across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
用户研究发现改进的机器人交互系统可被用户感知
一项新发表在arXiv上的研究探讨了用户在与模态多个人机交互系统交互时所经历的感知差异。该研究将使用Whisper、Florence-2和Llama 3.1的基线系统与改进配置进行了比较，改进配置采用了Grounding DINO + SAM和Qwen 3.5 9B。用户反馈表明，用户显著偏爱改进后的系统，认为其速度、可靠性和整体能力评分更高，这凸显了用户为中心的评估与技术指标同等重要。
-
新AI框架将放射科医生语音转换为MRI肿瘤分割
研究人员开发了LoGSAM，一个用于脑部MRI扫描中脑肿瘤参数高效分割的新框架。该系统将放射科医生的口述转化为文本提示，以指导基础模型进行定位和分割。通过利用Whisper ASR、Grounding DINO和MedSAM等预训练模型，并进行最少的参数更新，LoGSAM在BRISC 2025数据集上取得了80.32%的Dice分数，接近完全微调模型的性能，同时使用的参数却少得多。该流程还展示了从德语口述中提取肿瘤特异性信息的高准确性。
-
HKVLM 模型通过分离定位和语言来改进视觉推理
研究人员开发了 HKVLM，一种新颖的视觉推理方法，它将定位与语言生成分离开来。该模型利用一个冻结的语言对齐检测器和一个冻结的语言模型，通过一个轻量级的对齐钩连接。该钩通过对比检索和二分匹配将语言查询绑定到区域建议，旨在提高视觉问答和目标检测任务的忠实度。该系统专为小数据设置而设计，并包含一个忠实度否决机制，以防止命名不支持的对象，从而显著降低幻觉率。
-
新框架NegAS提升了视觉语言模型中分布外目标的检测能力
研究人员推出了一种新颖的框架NegAS，旨在增强视觉语言模型（VLMs）中分布外（OOD）目标的检测能力。NegAS解决了两个关键挑战：改进注意力机制以更好地识别潜在的OOD区域，以及开发与VLM概率输出兼容的评分函数。该框架利用负标签来指导注意力，并使用基于sigmoid的评分函数来区分分布内和分布外实例，在COCO和OpenImages等数据集上显著提高了OOD检测性能，同时保持了对分布内目标的准确性。
-
新型3D检测器CT-3GDINO增强腹部CT扫描中的器官定位
研究人员开发了CT-3GDINO，这是一种新颖的3D对象检测模型，专为腹部CT扫描中的器官定位而设计。该轻量级模型采用了类似Grounding-DINO的架构，使用冻结的伪文本类别令牌而非传统的文本编码器。CT-3GDINO集成了Swin3D骨干网络、双向特征增强和跨模态解码器，以预测肝脏、脾脏和肾脏等器官的边界框。在193个CT体积上进行评估，该模型取得了具有竞争力的mAP分数，在粗略定位方面表现强劲，同时指出了精确边界框对齐方面的改进空间。
-
AI流水线自动标注图像中的未知物体
研究人员开发了一个自动化流水线，用于标注图像中现有开放词汇模型无法识别的物体。该系统旨在减少为训练物体检测模型创建边界框的繁琐手动工作。通过采用SAM3和Grounding DINO等策略，该流水线生成候选标注，用户可以快速接受或拒绝，从而显著加快数据标注过程。
-
Visionary Future 开发以物体为中心的潜在世界模型
一家总部位于深圳的 AI 团队 Visionary Future 正在开发一个
-
新的零样本追踪系统在多动物研究中表现出色
研究人员开发了一种新的零样本多动物追踪系统，该系统利用视觉基础模型，特别是将SAM2MOT与Grounding DINO和Segment Anything Model 2相结合。该方法通过在无需重新训练的情况下展示出跨不同物种和环境的强大泛化能力，在包括Chimp-Act和Bird Flock Tracking在内的多个数据集上取得了最先进的结果。研究还探讨了较新的SAM3模型在此特定应用中的局限性。
-
新方法提升开放词汇目标检测的鲁棒性和自适应能力
研究人员引入了几种新方法来改进开放词汇目标检测，该领域旨在根据人类提示识别任意目标。一种方法 EBOD 将基于提示的检测器与特征匹配模块集成，无需重新训练即可抑制重复出现的假阳性和假阴性。另一种方法 RGSE 在测试时使用进化搜索过程来精炼文本嵌入，以有效地对齐文本和视觉嵌入。此外，FACTOR 利用反事实推理，通过扰动测试图像并分析属性敏感性来使模型适应分布变化，而 DAT 提供了一种轻量级的自监督微调方法来增强用于目标检测的视觉语言模型。