<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lqj25的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lqj25</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lqj25]]></copyright><item><title><![CDATA[Nature论文结构解释]]></title><link>https://blog.youkuaiyun.com/lqj25/article/details/146803846</link><guid>https://blog.youkuaiyun.com/lqj25/article/details/146803846</guid><author>lqj25</author><pubDate>Mon, 31 Mar 2025 10:51:56 +0800</pubDate><description><![CDATA[Nature》作为国际顶级科学期刊，其论文结构在通用SCI论文基础上更强调。掌握这些结构特点，能显著提升论文符合《Nature》风格的可能性。]]></description><category></category></item><item><title><![CDATA[SCI论文结构解释]]></title><link>https://blog.youkuaiyun.com/lqj25/article/details/146803706</link><guid>https://blog.youkuaiyun.com/lqj25/article/details/146803706</guid><author>lqj25</author><pubDate>Mon, 31 Mar 2025 10:45:22 +0800</pubDate><description><![CDATA[SCI（Science Citation Index）论文的详细结构遵循国际通用的学术论文格式（如IMRaD结构），通常包括以下部分。通过清晰的结构和严谨的内容，SCI论文能有效传递研究成果并提升学术影响力。建议写作前详细阅读目标期刊的《作者指南》（Author Guidelines）。]]></description><category></category></item><item><title><![CDATA[论文汇报：LISA: Reasoning Segmentation via Large Language Model]]></title><link>https://blog.youkuaiyun.com/lqj25/article/details/146765535</link><guid>https://blog.youkuaiyun.com/lqj25/article/details/146765535</guid><author>lqj25</author><pubDate>Sun, 30 Mar 2025 15:15:27 +0800</pubDate><description><![CDATA[前因：受多模态LLMs（如LLaVA）和通用分割模型（如SAM）启发，填补“复杂指令→分割掩码”的能力空白。创新链条任务定义：将NLP的推理能力引入视觉分割，推动开放词汇交互。模型设计：通过<SEG>标记和嵌入解码，实现LLM与分割模块的端到端融合。数据构建：ReasonSeg为社区提供评估基准。影响技术层面：证明小样本微调即可解锁LLMs的新能力，为多模态模型设计提供新思路。应用层面：适用于机器人、AR等需自然语言交互的场景。核心贡献。]]></description><category></category></item><item><title><![CDATA[论文汇报：Segment Anything]]></title><link>https://blog.youkuaiyun.com/lqj25/article/details/146718752</link><guid>https://blog.youkuaiyun.com/lqj25/article/details/146718752</guid><author>lqj25</author><pubDate>Sun, 30 Mar 2025 00:41:46 +0800</pubDate><description><![CDATA[核心问题：构建一个通用的图像分割基础模型（foundation model），能够通过多样化提示（如点、框、文本）实现零样本（zero-shot）迁移到各种分割任务中。核心贡献：首次构建分割领域的基础模型，通过“任务-模型-数据”协同创新，实现提示驱动的零样本泛化，为通用视觉系统奠定基础。三组件架构：图像编码器（ViT-H）、轻量级提示编码器（支持点、框、文本）、快速掩码解码器（50ms内响应）。- 前因：受NLP基础模型（如GPT）和视觉-语言模型（如CLIP）启发，将提示工程引入分割领域。]]></description><category></category></item></channel></rss>