Lvis
PulseAugur coverage of Lvis — every cluster mentioning Lvis across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的TMI方法通过混合T2I和I2I数据合成来增强实例分割
研究人员开发了一种名为TMI的新型混合流水线，它结合了文本到图像（T2I）和图像到图像（I2I）技术，以改进实例分割，特别是针对稀有类别。TMI系统利用T2I实现广泛的多样性，并采用师生方案来保证标签的可靠性，同时引入了VRAIN，一个用于将高置信度实例插入现有场景的I2I编辑器。这种方法增强了语义连贯性和视觉自然性，在LVIS基准测试中带来了显著的性能提升，在整体和稀有类别平均精度方面都有显著改进。
-
新研究“Robust Onion”分析噪声对物体检测器的影响
一项题为“Robust Onion”的新研究调查了现实世界噪声对开放词汇物体检测器（OV-ODs）的影响。该研究使用受控的合成降级来分析这些检测器如何以及为何会失去鲁棒性，并将特征坍塌确定为一个关键因素。研究结果表明，视觉骨干网络是鲁棒性的主要决定因素，预训练策略和架构细节起着次要作用。该研究还强调，图像域而非标注决定了鲁棒性，并提出了一种轻量级方法来提高检测器在真实世界数据集上的性能。
-
PicoSAM3 模型可在图像传感器上实现实时分割
研究人员开发了 PicoSAM3，这是一种新的轻量级分割模型，专为在边缘设备上甚至直接在图像传感器上进行实时运行而设计。该模型拥有 130 万个参数，采用了密集 CNN 架构，并结合了感兴趣区域提示编码和来自大型模型的知识蒸馏等技术。PicoSAM3 在 COCO 和 LVIS 等基准测试中取得了出色的性能，其量化版本可以在 Sony IMX500 传感器上实现低于 12 毫秒的推理速度，满足其运行限制。
-
新框架使用场景图进行开放词汇目标检测
研究人员开发了一个新的开放词汇目标检测框架，该框架利用场景图来理解对象之间的关系。这种方法旨在通过整合现有方法经常忽略的结构化语义和空间信息来改进新颖对象类别的识别。该框架包括一个关系注意力模块和一个基于场景的文本对齐分支，以更好地将视觉关系与语义知识相结合，从而在COCO和LVIS等数据集上提高检测性能。
-
FlowOVD论文介绍利用生成式潜在流实现开放词汇检测
研究人员推出了一种新颖的开放词汇目标检测方法FlowOVD，将该问题从判别式重构为生成式。该方法利用潜在空间中的连续传输过程，通过修正流将静态查询转换为文本引导的查询。FlowOVD通过实现更具表现力的语义对齐且无需额外训练数据，在LVIS等具有挑战性的数据集上展示了性能的提升。
-
Ultralytics YOLO26 以无 NMS 设计推进实时视觉
Ultralytics 推出了 YOLO26，这是一个新的实时视觉模型系列，旨在克服现有 YOLO 检测器的局限性。这个新模型采用双头设计实现无 NMS 推理，并移除了 Distribution Focal Loss，从而构建了更轻量级的架构。YOLO26 还采用了 MuSGD 和 Progressive Loss 等先进的训练技术，以提高效率和小目标检测能力。该系列支持检测、实例分割和姿态估计等多种任务，并提供开放词汇扩展以实现无提示推理。
-
CaptionFormer模型统一视频对象跟踪和字幕生成
研究人员开发了CaptionFormer，这是一种新颖的端到端模型，旨在统一视频中的对象检测、分割、跟踪和字幕生成任务。为了解决密集视频对象字幕生成中带注释数据有限的挑战，该团队使用视觉语言模型生成了合成字幕，并用这些新注释扩展了现有数据集。CaptionFormer在三个既定基准VidSTG、VLN和BenSMOT上展示了最先进的性能。
-
DETR-ViP 通过判别性提示增强视觉提示对象检测
研究人员推出了一种新颖的框架 DETR-ViP，旨在增强视觉提示对象检测。该方法通过专注于创建类别可区分的视觉提示来解决次优性能问题，这些提示在识别稀有类别方面通常优于文本提示。DETR-ViP 结合了全局提示集成和视觉-文本提示关系蒸馏来学习更具判别性的表示，并采用选择性融合策略以实现稳定检测。在 COCO 和 LVIS 等数据集上的实验表明，与现有的最先进方法相比，性能有了显著提高。
-
VL-SAM-v3 利用视觉记忆增强开放世界目标检测
研究人员推出了一种新框架 VL-SAM-v3，旨在通过整合外部视觉记忆来增强开放世界目标检测。该方法通过从记忆库中检索相关的视觉原型来改进现有方法，这些方法通常在细粒度细节和稀有类别方面存在不足。然后，这些原型被转化为空间和上下文先验，并整合到检测过程中，从而提高了开放词汇和开放式检测任务的性能。
-
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。
-
新的OVD方法通过分层一致性和无偏目标性改进目标检测
研究人员开发了一个新框架来改进开放词汇目标检测（OVD），这是一种允许AI模型识别训练数据之外的物体技术。所提出的方法通过使用分层置信度校准来解决伪标签中的不准确性，以确保跨不同语义级别的可靠类别分配。此外，CLIP的一个新改编版本LoCLIP包含一个目标性token，以减少对已知类别的偏见并提供更可靠的目标性估计。在COCO和LVIS等基准上的实验表明，这种方法达到了最先进的性能。