3D视觉独角兽奥比中光上市,宝藏网站追更神器RSS Please,给果蝇神经元画一幅素描、评论区大战时如何优雅吃瓜、24万张AI合成图片、AI前沿论文 | ShowMeAI资讯日报

[AAAI 2023 Oral] : Multi-modal 多模态 / Vision-language 视觉语言收录论文集合(42篇) 内容主要包括AAAI 2023 Oral中Multi-modal 多模态 / Vision-language 视觉语言 相关的Paper,若有遗漏欢迎补充。 阅读详情

ShowMeAI日报系列全新升级!覆盖AI人工智能 工具&框架 | 项目&代码 | 博文&分享 | 数据&资源 | 研究&论文 等方向。点击查看 历史文章列表,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

💰 3D视觉独角兽『奥比中光』,成功登陆科创板

7月7日,作为国内最早研发3D视觉相关技术的公司,奥比中光登陆科创板。奥比中光于2013年在深圳创立,专注于3D视觉感知技术研发,技术积累已进入全球第一梯队,主要产品包括3D视觉传感器、消费级应用设备和工业级应用设备,下游主要是消费电子、生物识别、AIoT、工业三维测量等市场。


工具&框架

🚧 『ONNX HRNET人体姿态预估』 模型实现

https://github.com/ibaiGorordo/ONNX-HRNET-Human-Pose-Estimation

在 ONNX 中使用HRNET 系列模型(HRNET、Lite-HRNet)进行2D人体姿势估计(Python 语言)。

🚧 『RSS Please』 Rust 写的网页 RSS feed 自动生成工具

https://github.com/wezm/rsspls

想在某个网站有新内容时收到通知,可以订阅 Feedbin 中的 RSS feed。遇到网站不提供 RSS feed的情况,就可以使用『RSS Please』啦!通过提取网页的特定部分来生成一个RSS feed。『RSS Please』是一个用 Rust 实现的开源命令行应用程序,没有运行时的依赖性,可以在类似 UNIX 的平台上运行,包括FreeBSD、Linux 和 MacOS。

🚧 『Skeletor』 3D轮廓主干抽取器

https://github.com/navis-org/skeletor

Skeletor 可以将 mesh(网格)转变成 skeleton(轮廓主干)。实现这一过程并不容易,有大量的研究论文在探索各种不同的方法。 示例图为 Skeletor 对一个果蝇神经元的轮廓主干抽取结果。

🚧 『Ivy Gym』 Ivy 全可微强化学习环境

https://github.com/unifyai/gym

Ivy Gym 通过以完全可微的方式实现 RL 环境,为监督学习(SL)、强化学习(RL)和轨迹优化(TO)之间的交叉研究打开了大门。Ivy Gym 建立在 Ivy 机器学习框架之上,同时支持 Jax、Tensorflow、PyTorch、MXNet 和 Numpy 等环境。

🚧 『Red Engine』 Python 的现代任务调度库

https://github.com/Miksus/red-engine

Red Engine 用于 Python 应用程序的现代任务调度框架,易于安装,语法简洁,鲁棒性强,内置功能广泛且可定制,能让你的 Python 程序充满活力。Red Engine 的语法也非常优雅,远超其他替代方案。


博文&分享

📚 『视觉表示学习之掩码』 博文分享

地址: http://akosiorek.github.io/ml/2022/07/04/masking_repr_learning_vision.html

遮蔽图像建模(MIM)是说覆盖图像的一部分,然后尝试由剩下的部分恢复来被遮蔽的部分。在这篇博客《Masking for Representation Learning in Vision》中,作者 Adam Kosiorek 探讨了为什么被遮蔽的图像能提供如此强的学习信息,怎么去构建一个好的遮蔽物,并且深入解读了自己的论文《Adversarial Masking for Self-Supervised Learning》(公众号回复『日报』可下载论文)。

📚 『Python项目实战从入门到进阶』 电子书

地址: http://learnbyexample.github.io/practice_python_projects

初学者经常困惑,在完成了 Python 基础书籍或者课程的学习后,该如何进阶呢?那当然是上手撸项目啦!在真实的问题中寻找解决方案,是非常有效地学习方式。《Practice Python Projects》这本书介绍了 5 个初级和中级项目(如『分析评论区的投票数据』『查找文本文件中的错别字』等),并附加了趣味的练习题。一起玩起来吧!


数据&资源

🔥 『Simulacra Aesthetic Captions』 面向图像提示生成、审美评级等的合成图像数据集

https://github.com/JD-P/simulacra-aesthetic-captions

Simulacra Aesthetic Captions 数据集包含 238000 多张合成图片。图片由四万多名用户提交的提示生成,使用了 CompVis latent GLIDE 和 Stable Diffusion 等AI工具。数据集包括标题、图像和评分三个要素,其中评分来源是用户对图像的审美价值的评价(1-10分),数量超过176000。

🔥 『点云』 相关资源大全

https://github.com/hehefan/Awesome-Dynamic-Point-Cloud-Analysis

Awesome Dynamic Point Cloud / Point Cloud Video / Point Cloud Sequence / 4D Point Cloud Analysis. 超酷的动态点云/点云视频/点云序列/4D点云分析资源大全。


研究&论文

可以点击 这里 回复关键字 日报,免费获取整理好的论文合辑。

**科研进展**
  • 2022.6.30『深度学习』| DeepSpeed Inference: Enabling Efficient Inference of Transformer Models at Unprecedented Scale
  • 2022.7.04『计算机视觉』| Dynamic Spatial Sparsification for Efficient Vision Transformers and Convolutional Neural Networks
  • 2022.7.03『计算机视觉』| Divert More Attention to Vision-Language Tracking
  • 2022.6.30『计算机视觉』| Rethinking Unsupervised Domain Adaptation for Semantic Segmentation

⚡ 论文:DeepSpeed Inference: Enabling Efficient Inference of Transformer Models at Unprecedented Scale

论文标题:DeepSpeed Inference: Enabling Efficient Inference of Transformer Models at Unprecedented Scale

论文时间:30 Jun 2022

所属领域:深度学习

论文地址:https://arxiv.org/abs/2207.00032

代码实现:https://github.com/microsoft/DeepSpeed

论文作者:Reza Yazdani Aminabadi, Samyam Rajbhandari, Minjia Zhang, Ammar Ahmad Awan, Cheng Li, Du Li, Elton Zheng, Jeff Rasley, Shaden Smith, Olatunji Ruwase, Yuxiong He

论文简介:DeepSpeed Inference reduces latency by up to 7. 3X over the state-of-the-art for latency-oriented scenarios and increases throughput by over 1. 5x for throughput-oriented scenarios./对于面向延迟的场景,DeepSpeed Inference比最先进的技术减少了高达7.3倍的延迟,并将吞吐量提高了1.5倍以上。在面向吞吐量的情况下,吞吐量增加了5倍。

过去几年见证了基于transformer的模型的成功,其规模和应用场景继续积极地增长。目前,transformer模型的情况越来越多样化:模型规模差异很大,最大的是千亿级的参数;由于专家混合模型(Mixture-of-Experts)引入的稀疏性,模型特征也不同;目标应用场景可以是延迟关键型或吞吐量导向型;部署硬件可以是具有不同类型内存和存储的单GPU或多GPU系统等等。在这种日益增长的多样性和transformer模型快速发展的情况下,设计一个高性能和高效的推理系统是极具挑战性的。在本文中,我们提出了DeepSpeed Inference,一个用于transformer模型推理的综合系统解决方案,以解决上述挑战。DeepSpeed Inference包括:(1)一个多GPU推理解决方案,当密集和稀疏变压器模型适合聚合GPU内存时,可以最大限度地减少延迟,同时最大限度地提高吞吐量;(2)一个异构推理解决方案,除了GPU内存和计算外,还利用CPU和NVMe内存,使不适合聚合GPU内存的大型模型实现高推理产量。DeepSpeed Inference在面向延迟的情况下比最先进的技术减少了7.3倍的延迟,在面向吞吐量的情况下增加了1.5倍以上的吞吐量。此外,它通过利用数以百计的GPU,实现了在实时延迟约束下的万亿级参数规模推理,这是前所未有的推理规模。它可以推理出比纯GPU解决方案大25倍的模型,同时提供84 TFLOPS的高吞吐量(超过A6000峰值的50%)。

⚡ 论文:Dynamic Spatial Sparsification for Efficient Vision Transformers and Convolutional Neural Networks

论文标题:Dynamic Spatial Sparsification for Efficient Vision Transformers and Convolutional Neural Networks

论文时间:4 Jul 2022

所属领域:计算机视觉

对应任务:图像识别,图像分类

论文地址:https://arxiv.org/abs/2207.01580

代码实现:https://github.com/raoyongming/DynamicViT

论文作者:Yongming Rao, Zuyan Liu, Wenliang Zhao, Jie zhou, Jiwen Lu

论文简介:We extend our method to hierarchical models including CNNs and hierarchical vision Transformers as well as more complex dense prediction tasks that require structured feature maps by formulating a more generic dynamic spatial sparsification framework with progressive sparsification and asymmetric computation for different spatial locations./我们将我们的方法扩展到层次模型,包括CNN和层次视觉transformer,以及更复杂的密集预测任务,这些任务需要结构化的特征图,我们制定了一个更通用的动态空间稀疏化框架,对不同的空间位置进行渐进式稀疏化和不对称的计算。

在本文中,我们提出了一种通过利用视觉数据中的空间稀疏性进行模型加速的新方法。我们观察到,视觉transformer中的最终预测只基于信息量最大的标记的一个子集,这对于准确的图像识别是足够的。基于这一观察,我们提出了一个动态标记稀疏化框架,根据输入逐步动态地修剪多余的标记,以加速视觉transformer。具体来说,我们设计了一个轻量级的预测模块来估计每个标记在当前特征下的重要性得分。该模块被添加到不同的层中,以分层修剪多余的标记。虽然这个框架的灵感来自于我们对视觉transformer中稀疏注意力的观察,但我们发现自适应和不对称计算的想法可以成为加速各种架构的一般解决方案。我们将我们的方法扩展到包括CNN和分层视觉transformer在内的分层模型,以及需要结构化特征图的更复杂的密集预测任务,通过制定一个更通用的动态空间稀疏化框架,对不同的空间位置进行渐进式稀疏化和不对称的计算。通过对信息量较小的特征采用轻量级的快速路径,对更重要的位置采用更具表现力的慢速路径,我们可以保持特征图的结构,同时大大减少整体计算量。大量的实验证明了我们的框架在各种现代架构和不同的视觉识别任务上的有效性。我们的结果清楚地表明,动态空间稀疏化为模型加速提供了一个新的和更有效的维度。代码可在https://github.com/raoyongming/DynamicViT获取

⚡ 论文:Divert More Attention to Vision-Language Tracking

论文标题:Divert More Attention to Vision-Language Tracking

论文时间:3 Jul 2022

所属领域:计算机视觉

对应任务:Object Tracking,目标跟踪

论文地址:https://arxiv.org/abs/2207.01076

代码实现:https://github.com/JudasDie/SOTS

论文作者:Mingzhe Guo, Zhipeng Zhang, Heng Fan, Liping Jing

论文简介:By revealing the potential of VL representation, we expect the community to divert more attention to VL tracking and hope to open more possibilities for future tracking beyond Transformer./通过揭示VL表示法的潜力,我们期望社会各界对VL跟踪给予更多的关注,并希望在Transformer之外为未来的跟踪提供更多的可能性。

依靠Transformer进行复杂的视觉特征学习,物体追踪已经见证了新的艺术水平(SOTAs)标准。然而,这种进步伴随着更大的训练数据和更长的训练周期,使得追踪的成本越来越高。在本文中,我们证明了对变压器的依赖是没有必要的,纯粹的ConvNets在实现SOTA跟踪方面仍然具有竞争力,甚至更好,更经济和友好。我们的解决方案是释放多模态视觉语言(VL)跟踪的力量,只需使用ConvNets。其本质在于通过我们的模态混合器(ModaMixer)和不对称的ConvNet搜索来学习新的统一自适应的VL表示。我们表明,我们的统一自适应VL表征,纯粹是通过ConvNets学习的,是Transformer视觉特征的一个简单而强大的替代方案,在具有挑战性的LaSOT(50.7%>65.2%)上,基于CNN的Siamese跟踪器在SUC上不可思议地提高了14.5%,甚至超过了几个基于Transformer的SOTA跟踪器。除了实证结果,我们还从理论上分析了我们的方法以证明其有效性。通过揭示VL表示法的潜力,我们希望社区能将更多的注意力转移到VL跟踪上,并希望在Transformer之外为未来的跟踪提供更多可能性。代码和模型将在 https://github.com/JudasDie/SOTS 发布。

⚡ 论文:Rethinking Unsupervised Domain Adaptation for Semantic Segmentation

论文标题:Rethinking Unsupervised Domain Adaptation for Semantic Segmentation

论文时间:30 Jun 2022

所属领域:计算机视觉

对应任务:Semantic Segmentation,Unsupervised Domain Adaptation,语义分割,无监督域自适应

论文地址:https://arxiv.org/abs/2207.00067

代码实现:https://github.com/feipan664/IntraDA , https://github.com/yzou2/CRST

论文作者:Zhijie Wang, Masanori Suganuma, Takayuki Okatani

论文简介:The existing studies stick to the basic assumption that no labeled sample is available for the new domain./现有的研究坚持的基本假设是,新领域没有标记的样本可用。

无监督领域适应(UDA)将一个在一个领域中训练的模型适应于一个仅使用未标记数据的新领域。已经进行了许多研究,特别是对语义分割的研究,因为其注释成本高。现有的研究坚持的基本假设是,新领域没有标记的样本。然而,这个假设有几个问题。首先,考虑到ML的标准做法是在部署前确认模型的性能,这是很不现实的;确认需要标记的数据。其次,任何UDA方法都会有一些超参数,需要一定量的标注数据。为了纠正这种与现实的不一致,我们从以数据为中心的角度重新思考UDA。具体来说,我们从假设我们确实能够获得最低水平的标记数据开始。然后,我们问有多少标记的样本对于找到现有的UDA方法的满意的超参数是必要的。如果我们使用相同的数据来训练模型,例如微调,其效果如何?我们用流行的场景{GTA5, SYNTHIA}→Cityscapes进行实验来回答这些问题。我们的发现如下:i)对于一些UDA方法,只需几个标记的样本(即图像)就能找到好的超参数,例如5个,但这并不适用于其他方法;ii)微调在只有10个标记的图像的情况下胜过大多数现有的UDA方法。

我们是 ShowMeAI,致力于传播AI优质内容,分享行业解决方案,用知识加速每一次技术成长!点击查看 历史文章列表,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

TPAMI 2024 | 更多关注视觉-语言目标跟踪 多模态视觉-语言(VL)学习最初被视为一个独立的研究领域,近年来,随着下游任务如视觉问答(VQA)和图像/视频字幕的兴起,吸引了大量关注。然而,基本的视觉任务如目标检测和分割则专注于如何为纯视觉输入构建强大的深度网络。这种分离直到CLIP的发布才有所改变,最近随着Segment Anything Model和VisionLLM的出现,VL学习取得了进一步进展。在最近的工作中,语言描述通常作为基本模型的指令来构建其输出。 阅读详情

相关推荐

SAP固定资产原值与净值取值逻辑全解析:从数据表到ABAP实战

在企业资源计划(ERP)系统中,固定资产的价值管理是财务会计的核心模块,其关键在于准确核算资产原值与净值。从技术原理上看,这涉及对资产全生命周期业务(如购置、折旧、转移、报废)的财务建模,以及底层数据表(如ANLC、ANEP)的精准关联与计算。掌握这一逻辑的技术价值在于,能够确保财务报表数据的准确性,满足合规性要求,并为管理决策提供可靠依据。在SAP ECC或S/4HANA系统的应用场景中,ABAP开发者与财务顾问常需通过编写报表程序,从复杂的数据结构中提取资产价值信息。本文聚焦于SAP资产会计模块,深入剖

weixin_30984001的博客 399

DynamicViT论文概要

DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification

weixin_44373865的博客 921

python语言下使用opencv接口cv2.VideoCapture()接口调用海康机器人工业相机

文章目录 目录 文章目录 前言 一、opencv接口介绍 二、调用海康机器人工业相机 1.使用海康机器人工业相机的前提 2.调用海康机器人工业相机进行显示 3.调用海康机器人工业相机进行存图 4.调用海康机器人工业相机存视频 5.调用海康机器人工业相机进行简单图像处理 总结 前言 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。 提示:以下是本篇文章正文内容,下.

qq_39570716的博客 1万+

探索Simulacra Aesthetic Captions:AI美学描述的革命

探索Simulacra Aesthetic Captions:AI美学描述的革命 项目简介 是一个开源项目,旨在利用深度学习生成具有艺术和美学价值的图像标题。该项目结合了计算机视觉与自然语言处理技术,为用户提供了一种新颖的方式,以富有创造性和美学感的语言来描绘图片内容。 技术分析 Simulacra Aesthetic Captions的核心是基于Transformer架构的神经网络模型。这种模型...

gitblog_00093的博客 683

创建XCP的CanApe工程

创建XCP的CanApe工程

weixin_44173919的博客 2893

Qt之自定义QToolTip,去掉显示动画和隐藏延时

先来看看Qt原生QToolTip的缺点:1.当提示内容无变化时,弹窗无法移动。只能先传个空字符串强制弹窗隐藏,然后在新位置再传个字符串。2.默认显示10多秒才消失,当然这个时间是可以设置的,但是如果我想一直显示呢?总不能设置一个超级大的时间吧。3.鼠标移出控件后(调用QToolTip::showText时传入了控件指针)默认300毫秒弹窗才隐藏。而且这个时间没法设置,如果想立即隐藏就没办法了。

草上爬的博客 4269

Dynamic Spatial Sparsification for Efficient Vision Transformers and Convolutional Neural Networks

单位:北京国家信息科学技术研究中心,清华大学自动化系本文提出了一个基于视觉数据空间稀疏性的模型加速算法。观察到,视觉Transformer的最终预测仅基于信息量最大的区域的子集,这对于准确的图像识别是足够的。在此基础上,提出了一种动态令牌稀疏化框架,根据输入动态地逐步删除冗余令牌,以加速视觉变换器。具体而言,设计了一个轻量级预测模块,用于在给定当前特征的情况下估计每个标记的重要性。该模块被添加到不同的层中,以分层地修剪冗余令牌。

m0_61387177的博客 1118

ssd训练自己的数据集

基于SSD实现目标检测(训练自己的数据集)

reset2021的博客 6805

10分钟上手MultiQC:从安装到生成首份质量控制报告的简单教程

MultiQC是一款强大的生物信息学工具,能够将多个样本的分析结果聚合到一份报告中,帮助研究人员快速评估数据质量。本教程将带你在10分钟内完成从安装到生成首份质量控制报告的全过程,让你轻松掌握这一必备技能。 ## 准备工作:安装MultiQC ### 一键安装步骤 MultiQC支持多种安装方式,最推荐的是使用pip进行安装: ```bash pip install multiqc ```

gitblog_00595的博客 892

手把手教你学simulink(95.1)--PID控制实例:基于Simulink的PID控制温度控制系统建模与仿真

温度控制是工业自动化、家用电器、医疗设备以及航空航天等领域中常见的控制问题。通过精确的温度控制,可以提高生产效率、降低能耗并确保产品质量。PID(比例-积分-微分)控制器因其结构简单、性能稳定且易于实现而被广泛应用于各种温度控制系统。本项目旨在通过MATLAB/Simulink平台设计和验证一个基于PID控制的温度控制系统,重点研究PID参数调优方法、系统动态响应特性以及稳态误差消除能力。

MHD0815的博客 794

把 LDB 讲透:SAP ABAP 逻辑数据库的结构、事件模型、动态选择与现代替代方案

摘要:SAP中的Logical Database(LDB)是一种将表组织成树形结构并统一生成选择屏幕的技术,通过事件驱动方式向报表程序传递数据。虽然被标记为过时,但在理解标准代码和优化性能方面仍有价值。LDB通过SE36事务码创建,其结构包含层级关系、选择屏幕和数据库程序。报表通过NODES声明和GET事件处理数据,支持动态选择以减少数据库访问。在S/4HANA和ABAP Cloud环境下,建议使用CDS View和ABAP SQL等现代方案替代LDB,以提升可测试性和架构清晰度。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 217

Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training

摘要 最近的深度网络在各种语义分割任务上实现了最先进的性能。尽管取得了这些进展,但这些模型经常面临现实世界“wild tasks”中的挑战,其中存在标记的训练/源数据与看不见的测试/目标数据之间的巨大差异。特别地,这种差异通常被称为“域间隙”,并且可能导致显着降低的性能,这通过进一步增加表示能力而不能容易地补救。无监督域适应(UDA)试图在没有目标域标签的情况下克服这种问题。在本文中,我们提出了一...

fuyouzhiyi的博客 3859

【云原生技术】sonar的官方web接口,获取质量阀结果的接口

以下是一个示例思路,说明如何调用 SonarQube 的质量阀查询接口并在前端展示“哪些条件没过”。假设前端使用 AJAX 或 fetch 从后端接口拿到 SonarQube 返回的 JSON(或直接前端请求 SonarQube API),前端再把解析结果展示给用户。测试覆盖率 (Coverage) 当前仅有 60%,未满足最低 80% 的要求,需要补充测试或优化以提升覆盖率。接口),就会返回相应的质量阀状态信息;里使用它来查询当前质量阀(质量门)的状态。,你用它即可获取该次分析的质量阀状态。

weixin_46453070的博客 1282

AI艺术‘美丑’不可控?试试 AI 美学评分器~

社区推荐过非常多的 AI艺术创作工具,但用这些工具有一个很大的麻烦,创作者无法有效把控生成作品的质量,AI本身似乎也不清楚人类关于 “美丑” 的标准。#对......我用Disco Diffusion、Midjourney等等工具时经常生成一些很 “惊悚” 与 “过于抽象” 的图片......看来 AI创作工具需要美学评估模型的过滤器#社区有成员推荐一个美学评估模型与数据...

shadowcz007的博客 2636

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

【IR】Vision-Language Tracking

最新vision-language tracking方法分享,包括什么是VL intelligence

ca1m4n的博客 2070

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

【亲测免费】 推荐开源项目:Simulacra Aesthetic Models——模拟人类审美判断的模型

推荐开源项目:Simulacra Aesthetic Models——模拟人类审美判断的模型 项目介绍 Simulacra Aesthetic Models 是一个基于 CLIP 的开源项目,旨在模拟人类对图像美学的判断。这个简单而强大的模型可以从大量的图像中过滤掉质量较差的内容,以提升后续训练的质量。项目提供了经过人工排序和机器排序的对比图,直观展示了模型的性能。 项目技术分析 该项目利用了 P...

gitblog_00077的博客 792

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Simulacra Aesthetic Models 项目教程

Simulacra Aesthetic Models 项目教程 1. 项目的目录结构及介绍 Simulacra Aesthetic Models 项目的目录结构如下: simulacra-aesthetic-models/ ├── data/ │ ├── processed/ │ └── raw/ ├── models/ │ ├── __init__.py │ └── aesthe...

gitblog_00139的博客 465

DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification 论文阅读笔记

文中提出一种轻量化的预测模型用于决定剪去哪些tokens,称为DynamicViT。对于每个输入序列,使用二值化masking决定哪些tokens是没什么信息而需要丢弃的。通过剪去66%的输入tokens能够降低模型31%~37%的GFLOPs,效率提升超过40%,所有Transformer模型精度降低在0.5%以内。

m0_38007279的博客 2997

python用scrapy爬虫豆瓣_python爬虫框架scrapy 豆瓣实战

Scrapy官方介绍是An open source and collaborative framework for extracting the data you need from websites.In a fast, simple, yet extensible way.意思就是一个开源和协作框架,用于以快速,简单,可扩展的方式从网站中提取所需的数据。环境准备本文项目使用环境及工具如下pyt...

weixin_39745724的博客 571

清华提出 DynamicViT,几乎不降低模型性能的情况下,较大地减少计算量和参数量

DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification摘要简介Dynamic Vision Transformers简介预测头的分层 token 稀疏化注意力掩码的端到端优化训练及推断 感觉其他人总结得不好,不详细,就是翻译了一下,因此自己仔细看了一遍并写了以下的总结。最后一部分的老师模型(teacher’s model)没有详细看,因为目前还没太看过蒸馏这一块,以后看了可以补齐。 文章目的:在几乎没有降低

ttppss的博客 3566

Simulacra Aesthetic Models 开源项目教程

Simulacra Aesthetic Models 开源项目教程 项目介绍 Simulacra Aesthetic Models 是一个基于 CLIP 的开源项目,旨在模拟人类对图像美学的判断。这个简单而强大的模型可以从大量的图像中过滤掉质量较差的内容,以提升后续训练的质量。项目提供了经过人工排序和机器排序的对比图,直观展示了模型的性能。 项目快速启动 安装依赖 首先,确保你已经安装了必要的依赖...

gitblog_00973的博客 470

【亲测免费】 推荐文章:【探索美学边界】- 利用CLIP模型评估图像美学价值的开源工具

推荐文章:【探索美学边界】- 利用CLIP模型评估图像美学价值的开源工具 项目介绍 在艺术与技术的交汇点上,有一个令人瞩目的开源项目正在悄然改变我们对图像美学判断的方式。Simulacra Aesthetic Models,是一个基于CLIP(Contrastive Language-Image Pre-training)训练的模型代码库,专门用于评估并排序图像的审美价值。该项目灵感来源于Sim...

gitblog_01016的博客 806

NeurlPS 2022 | 自然语言处理相关论文分类整理

©作者|王晓磊 机构|中国人民大学高瓴人工智能学院NeurIPS 2022 是 CCF A 类会议,人工智能领域方向的顶级国际会议之一。第36届神经信息处理系统会议将于今年 11 月 28 日至 12 月 9 日举行。官方发布的接收论文列表链接如下:https://nips.cc/Conferences/2022/Schedule?type=Poster。本文从 2000 多篇接收论文中筛选出...

Kaiyuan_sjtu的博客 1218

NlPS2022 | 自然语言处理相关论文分类整理

每天给你送来NLP技术干货! © 作者|王晓磊 机构|中国人民大学高瓴人工智能学院研究方向 | 对话式信息获取来自 | RUC AI Box本文从NeurlPS 2022 的2000多篇接收论文中筛选出了与自然语言处理相关的论文200多篇,并按照研究主题进行分类整理,以供参考。导读:NeurIPS 2022 是 CCF A 类会议,人工智能领域方向的顶级国际会议之一。第36届神经信息处理...

zenRRan的博客 2907

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 328

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 261
上一篇: 听杰伦新歌发现QQ音乐元宇宙,权游角色关系可视化地图、VNote 工具(Typora:勿cue谢谢)、最新论文 | ShowMeAI资讯日报
下一篇: 展会中各显神通的元宇宙;哪有什么实战啊,就是81个Python改;有颜值也有正义Enso互动编程;AI前沿论文 | ShowMeAI资讯日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值