专注计算机视觉全栈知识分享

随着人工智能技术的飞速发展，X-AnyLabeling 作为一款集多功能于一体的图像标注软件，致力于为用户提供更高效、更智能的标注解决方案。笔者深知，在实际应用中，用户面临着多样化的标注需求和复杂的数据处理挑战。因此，笔者将力争在有限的资源不断开发、探索和整合最新的算法模型，并优化工作流，以期帮助用户简化标定流程，提升标定效率。X-AnyLabeling 从项目启动至今，始终秉承开放和合作的精神，并欢迎来自各地的开发者和用户共同参与到项目的建设中来。

Segment Anything 2 (SAM2) in X-AnyLabeling: 构建快速精准的图像和视频标注对象分割工具

在这里根据综述文献STS MICCAI 2023 Challenge: Grand challenge on 2D and 3D semi-supervised tooth segmentation给大家介绍一下去年STS 2023牙齿分割挑战赛的一些优秀的解决方案。具体来说，去年有434支团队注册了挑战，其中64支团队在最后阶段提交了有效结果。在满足进入最终阶段的所有标准的方法中，所有方法都基于深度学习方法进行，其中，伪标签生成方案是最常用的半监督策略——超过一半的团队采用。

ImageNet-D数据集包含来自113个数据类别的4835张图像，有着不同的背景（background）、纹理（texture）和材料（material）组成. 和以往的合成数据集相比，ImageNet-D图像质量更高，且生成更为灵活可控。实验结果表明，ImageNet-D数据集有效地降低state-of-art模型的测试准确率，降低幅度最高达60%，包括CLIP，MiniGPT-4和LLaVa-NeXT等。ImageNet-D从一个崭新的角度揭露了当前大模型的错误，有利于启发模型的进一步迭代。

在这篇技术报告中，我们介绍了用于解决 ACM MMSports 2023 实例分割问题的关键方法和技术。为了解决分割任务中的遮挡问题，作者利用了性能优异的 HTC 架构，搭载特征提取能力较强的 CBSwin-Base 骨干网络，并引入了一种新颖的位置感知复制粘贴数据增强技术，可以随意应用于数据稀缺的分割应用。实验结果表明，本文方法在不需要额外数据或预训练的情况下，在测试集上实现了最先进的结果（以0.533的OM得分排名第一）。

旋转目标检测，从入门到起飞，一站式教程！

本文提出了一种名为 YONA 的新框架，用于准确和快速检测结肠镜视频中的息肉。该框架通过引入前景和背景对齐模块来处理快速运动情况下的特征，同时引入跨帧对比学习模块来增强模型对息肉和肠壁的区分能力。实验证明，YONA 在三个大规模公开视频息肉检测数据集上取得了最先进的性能。

本文方法主要是基于已有算法组装成一个pipeline，下面简单介绍下几个主要成员。

到此半自动化标注就完成了, 通过 Label-Studio 的半自动化标注功能，可以让用户在标注过程中，通过点击一下鼠标，就可以完成目标的分割和检测，大大提高了标注效率。我们通过下面的方式下载好示例的喵喵图片，点击 Data Import 导入需要标注的猫图片，点击 Save 创建 Project。用 vscode 打开解压后的文件夹，可以看到标注好的数据集，包含了图片和 json 格式的标注文件。注意：此处导出的只有边界框的标注，如果想要导出实例分割的标注，需要在启动 SAM 后端服务时设置。

本文开头通过一个形象生动的案例为大家介绍了 OOD 任务的重要性，继而引申出今天的主角——关于计算机视觉中的域外分布泛化性问题。同时，也很荣幸的为大家简单讲解了本次 ECCV 2022 关于 OOD-CV 挑战赛中图像分类和目标检测赛道的冠军解决方案，希望对大家能有所启发。如果您也对人工智能和计算机视觉全栈领域感兴趣，强烈推荐您关注有料、有趣、有爱的公众号『CVHub』，每日为大家带来精品原创、多领域、有深度的前沿科技论文解读及工业成熟解决方案！

如果您也对人工智能和计算机视觉全栈领域感兴趣，强烈推荐您关注有料、有趣、有爱的公众号『CVHub』，每日为大家带来精品原创、多领域、有深度的前沿科技论文解读及工业成熟解决方案！欢迎添加小编微信号:cv_huber，一起探讨更多有趣的话题！本文正在参加 人工智能创作者扶持计划。