<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[知来者逆的博客]]></title><description><![CDATA[计算机视觉学习笔记]]></description><link>https://blog.youkuaiyun.com/matt45m</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; matt45m]]></copyright><item><title><![CDATA[MiniCPM-o 4.5：实时能听能看能说的多模态模型]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/166896600</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/166896600</guid><author>matt45m</author><pubDate>Wed, 30 Sep 2026 16:01:45 +0800</pubDate><description><![CDATA[MiniCPM-o 4.5 是一个具有 9B 参数的开源模型，能够同时看、听和说话。在真实世界视频上测试了它的全双工（full-duplex）Omni-Flow 流式能力。大多数多模态 AI 模型今天仍以轮替方式工作。你把视频输入给它们，等待它们处理完，然后得到一个回复。尽管这对传统聊天机器人来说效果不错，但这并不反映人类自然与世界交互的方式。我们在说话的同时也在听。我们会在事情仍在发生时做出反应。MiniCPM-o 4.5 是一个旨在弥补这一差距的新开源模型。]]></description><category></category></item><item><title><![CDATA[计算机视觉——从环境配置到跨线计数的完整实现基于 YOLOv12 与质心追踪器的实时人员监控系统]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/153833981</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/153833981</guid><author>matt45m</author><pubDate>Fri, 24 Oct 2025 17:04:35 +0800</pubDate><description><![CDATA[本文档聚焦 YOLOv12 模型在实时人员追踪监控场景的应用，系统阐述了一套从技术原理到工程实现的完整解决方案。首先介绍 YOLOv12 的核心优势 —— 作为首个融合注意力机制的 YOLO 模型，其集成 RELAN 骨干网络、区域注意力及可选的 FlashAttention 技术，在保持 YOLO 系列高速推理特性的同时，提升了复杂场景下的目标检测精度，且兼容目标检测、分割、姿态估计等多任务，为实时监控应用奠定基础。]]></description><category></category></item><item><title><![CDATA[计算机视觉——从YOLO系列演进到YOLOv12架构创新、注意力机制优化、推理实践与性能基准]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/153117152</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/153117152</guid><author>matt45m</author><pubDate>Sun, 12 Oct 2025 14:19:09 +0800</pubDate><description><![CDATA[YOLO（You Only Look Once）系列作为实时目标检测领域的标杆，始终致力于平衡检测速度与精度。从 YOLOv8 到 YOLOv11，每一代模型均通过架构优化实现性能突破，而 YOLOv12 更是首次将注意力机制引入核心设计，在保持实时性的同时突破传统 CNN 架构的局限。本章将首先梳理 YOLO 系列的关键演进，为理解 YOLOv12 的创新奠定基础。]]></description><category></category></item><item><title><![CDATA[YOLOv8提升小目标检测策略——专为微小目标检测设计的 IoU 替代方案NWD原理解析、YOLO代码集成与验证]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/151826375</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/151826375</guid><author>matt45m</author><pubDate>Thu, 18 Sep 2025 13:23:41 +0800</pubDate><description><![CDATA[所提出的 NWD 度量方法可轻松嵌入到任何基于锚点的检测器的分配、非极大值抑制和损失函数中，以替代常用的 IoU 度量。在用于微小目标检测的新数据集（AI-TOD）上的评估表明，采用 NWD 度量方法后，性能比标准微调基线高出 6.7 个 AP 点，比最先进的竞争对手高出 6.0 个 AP 点。]]></description><category></category></item><item><title><![CDATA[YOLOv8提升小目标检测策略 —— EFC（增强层间特征关联）与 FCM（特征互补映射）的原理与算法代码实现]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/151753466</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/151753466</guid><author>matt45m</author><pubDate>Tue, 16 Sep 2025 12:33:36 +0800</pubDate><description><![CDATA[EFC（增强层间特征关联）：通过层间相关性增强与特征重构，减少冗余信息，突出小目标特征，提升复杂场景下的检测能力。

FCM（特征互补映射）：融合浅层空间位置信息与深层语义信息，缓解小目标信息丢失，优化定位精度，尤其适用于航拍等场景。
文档包含原理解析、核心代码、配置方法和实验结果，便于快速理解和应用两种模块。]]></description><category></category></item><item><title><![CDATA[YOLOv8提升小目标检测策略——详细记录从 HCF-Net 的 DASI/PPA 到 SPD-Conv、MSCA 及 BoTNet加EMA优化原理到代码实现方法]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/151612634</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/151612634</guid><author>matt45m</author><pubDate>Fri, 12 Sep 2025 14:05:26 +0800</pubDate><description><![CDATA[本文围绕 YOLOv8 小目标检测性能提升展开，详细介绍了多种创新改进方案。包括 HCF-Net 中的维度感知选择性整合模块（DASI），其通过信道分区选择机制，自适应融合高维、低维和当前层特征，依据目标特征灵活侧重细粒度或上下文信息；HCF-Net 的小目标并行化注意力设计（PPA），采用多分支特征提取（局部分支、全局分支、串行卷积分支）和分层融合策略，增强小目标特征表示；SPD-Conv 空间深度转换卷积，通过空间到深度层和非步长卷积，替代传统步长卷积与池化层，避免细粒度信息丢失。]]></description><category></category></item><item><title><![CDATA[视觉语言模型应用开发——Qwen 2.5 VL模型视频理解与定位能力深度解析及实践指南]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/151319336</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/151319336</guid><author>matt45m</author><pubDate>Mon, 08 Sep 2025 14:52:48 +0800</pubDate><description><![CDATA[Qwen 2.5 VL 模型在视频理解领域的突破，不仅体现在技术创新层面，更在于其将复杂的视频分析任务变得更加易用和高效。未来，随着模型性能的进一步提升和应用场景的不断拓展，Qwen 2.5 有望在智能监控、内容创作、教育培训等多个领域发挥重要作用，推动视频理解技术的实际应用和产业发展。]]></description><category></category></item><item><title><![CDATA[视觉语言模型应用开发——Qwen 2.5 视觉语言模型的零样本学习能力在多模态内容审核中的实践研究]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/150925259</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/150925259</guid><author>matt45m</author><pubDate>Wed, 27 Aug 2025 16:04:52 +0800</pubDate><description><![CDATA[近年来，视觉语言模型（VLMs）经历了从专用架构到通用模型的范式转变。早期模型（如 Visual BERT、ViLBERT）采用双编码器结构，需针对特定任务进行微调；而新一代 VLMs（如 GPT-4o、Qwen 2.5）采用统一的 Transformer 架构，实现了多模态输入的端到端处理。
小型化已成为 VLMs 发展的重要趋势。如图 3 所示，Phi3.5-Vision、PaliGemma 3B、Qwen2.5-VL-3B 等模型在保持高性能的同时，将参数量控制在 10B 以内，显著降低了部署门槛。]]></description><category></category></item><item><title><![CDATA[多模态大模型——Qwen2.5-Omni端到端实时多模态智能的技术架构与实现机制]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/150852109</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/150852109</guid><author>matt45m</author><pubDate>Tue, 26 Aug 2025 13:39:35 +0800</pubDate><description><![CDATA[Qwen2.5-Omni是阿里巴巴开发的多模态AI模型，支持文本、图像、音频和视频的实时处理与生成。其核心是Thinker-Talker框架：Thinker负责推理和文本生成，Talker专攻语音合成。创新点包括TMRoPE机制实现跨模态时间同步，以及流式优化设计降低延迟。模型训练分三阶段：编码器对齐、跨模态整合和长序列支持。该模型采用ChatML对话格式，适用于智能助手等实时交互场景，在架构设计和多模态处理能力上具有显著优势。]]></description><category></category></item><item><title><![CDATA[大语言模型应用开发——利用OpenAI函数与LangChain结合从文本构建知识图谱搭建RAG应用全流程]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/149810818</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/149810818</guid><author>matt45m</author><pubDate>Sat, 23 Aug 2025 20:20:10 +0800</pubDate><description><![CDATA[从文本等非结构化数据中提取结构化信息并非新鲜事物，但大语言模型（LLMs）为该领域带来了重大变革。以往需要机器学习专家团队策划数据集并训练自定义模型，如今只需访问LLM即可实现，显著降低了技术门槛，让曾仅限领域专家使用的技术对非技术人员也更加友好。]]></description><category></category></item><item><title><![CDATA[视觉语言大模型应用开发——基于 CLIP、Gemini 与 Qwen2.5-VL 的视频理解内容审核全流程实现]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/150611497</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/150611497</guid><author>matt45m</author><pubDate>Fri, 22 Aug 2025 15:47:55 +0800</pubDate><description><![CDATA[本文提出了一种基于多模型协同的视频处理框架，整合CLIP、Gemini和Qwen2.5-VL模型，实现高效视频内容审核与智能摘要生成。系统采用&quot;检测-解释-总结&quot;三阶段流水线，通过CLIP进行帧级违规内容识别（F1-score 0.91），Gemini生成结构化解释，Qwen2.5-VL输出内容摘要（ROUGE-L 0.76）。优化后的单视频处理延迟低于1.2秒，且帧采样数量减少60%仍保持95%内容覆盖率，满足实时处理需求。实验表明该框架在识别准确率和摘要质量上表现优异，为视频内容管理]]></description><category></category></item><item><title><![CDATA[面向复杂场景的人脸识别——AdaFace 模型的理论基础与从数据到部署的实践路径]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/150580170</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/150580170</guid><author>matt45m</author><pubDate>Thu, 21 Aug 2025 12:25:48 +0800</pubDate><description><![CDATA[人脸识别技术作为深度学习在计算机视觉领域的重要分支，近年来在算法性能与实际应用中均取得了显著突破，已广泛渗透到安全防护、金融服务、智能终端等多元领域。模型的性能表现与环境鲁棒性作为决定其部署价值的核心指标，始终是研究与工程实践的焦点。AdaFace 作为当前先进的人脸识别框架，创新性地引入自适应特征归一化（Adaptive Feature Normalization）机制，显著提升了模型对复杂场景的泛化能力，为解决实际应用中的挑战性问题提供了有效方案。]]></description><category></category></item><item><title><![CDATA[YOLOv8 姿态估计模型的 OpenVINO 部署——从 IR 格式转换、精度评估到 NNCF 量化部署及性能对比]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/150550427</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/150550427</guid><author>matt45m</author><pubDate>Wed, 20 Aug 2025 11:45:50 +0800</pubDate><description><![CDATA[本文介绍了将YOLOv8姿态估计模型转换为OpenVINO IR格式并利用NNCF工具进行8位量化的完整流程。通过安装必要的依赖包，定义可视化工具函数绘制边界框和关键点，并准备测试数据进行验证。文中详细展示了模型转换、推理验证、精度评估及量化优化的技术方案，为计算机视觉领域的姿态估计部署提供了实用参考。实验结果表明，量化后的模型在保持精度的同时显著提升了推理性能。]]></description><category></category></item><item><title><![CDATA[姿态估计进阶：从 YOLO-NAS Pose 到 YOLOv8 Pose的技术探索与实践]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/150529570</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/150529570</guid><author>matt45m</author><pubDate>Tue, 19 Aug 2025 16:59:10 +0800</pubDate><description><![CDATA[摘要： YOLO-NAS Pose是Deci AI基于神经架构搜索（NAS）技术开发的新一代姿态估计模型，通过AutoNAC引擎优化架构，在精度与效率上超越YOLOv8 Pose。该模型提供四种尺寸变体，适配不同硬件需求，支持图像、视频等多源数据输入。实验显示其在直立人形检测中表现优异，但在水平姿态场景下略逊于YOLOv8。此外，文章还探讨了基于YOLOv8 Pose的瑜伽姿势分类实践，包括数据集准备与训练流程。YOLO-NAS Pose为实时姿态估计设定了新标杆，但在特定场景仍有优化空间。]]></description><category></category></item><item><title><![CDATA[从 3DCNN 到 Vision Transformer——视频动作识别技术的演进与 ViT 的突破性应用]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/150487808</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/150487808</guid><author>matt45m</author><pubDate>Mon, 18 Aug 2025 11:56:42 +0800</pubDate><description><![CDATA[视频处理是计算机视觉领域的重要研究方向，其中动作识别尤为关键，可用于安防监控、自动驾驶等多种场景。传统3D卷积神经网络(3DCNN)虽能处理视频数据，但存在无法捕捉长程依赖关系等局限。Vision Transformer(ViT)通过自注意力机制有效解决了这一问题，能学习视频帧间更广泛的上下文关系。研究表明，ViT在手术视频动作识别中表现优异，可准确分类手术子阶段、手势和技能水平，性能优于传统模型。这一突破为医疗、安防等领域的视频分析应用提供了新思路，展现了ViT在复杂动作识别任务中的巨大潜力。]]></description><category></category></item><item><title><![CDATA[微调 AnomalyCLIP——基于对象无关提示学习与全局 - 局部优化的零样本异常检测框架性能验证]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/149930803</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/149930803</guid><author>matt45m</author><pubDate>Sun, 17 Aug 2025 14:54:32 +0800</pubDate><description><![CDATA[AnomalyCLIP 针对传统视觉语言模型在零样本异常检测（ZSAD）中的局限，通过三项关键创新突破挑战：采用对象无关的提示学习，以 “正常的对象”“损坏的对象” 等通用模板替代特定类别提示，摆脱对对象语义的依赖；引入对角突出注意力图（DPAM），通过值 - 值（V-V）注意力增强对细粒度异常的捕捉；利用全局 - 局部上下文优化，结合图像级分类损失与像素级分割损失，兼顾异常判断与定位。]]></description><category></category></item><item><title><![CDATA[基于CNN 的人体动作检测：训练过程、结果可视化及模型测试]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/150425777</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/150425777</guid><author>matt45m</author><pubDate>Fri, 15 Aug 2025 16:23:09 +0800</pubDate><description><![CDATA[本文介绍了一种基于深度学习的视频动作识别方法，使用Weismann数据集对7种人体动作（弯曲、开合跳、跳跃等）进行分类。该方法通过CNN提取视频帧的时空特征，构建序列模型进行分类。实施步骤包括：1)安装依赖项并整理数据集；2)创建标签和加载数据；3)构建CNN模型；4)分割训练集和验证集。该技术可应用于医疗监测、跌倒检测、安防监控等多个领域。实验结果显示，模型在3390个视频实例上实现了有效分类，训练集和验证集分别包含3051和339个样本。]]></description><category></category></item><item><title><![CDATA[视觉语言大模型应用开发——基于Qwen2.5-VL 实现视觉语言模型在目标检测中的层级结构与实现方法]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/150392157</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/150392157</guid><author>matt45m</author><pubDate>Thu, 14 Aug 2025 15:51:01 +0800</pubDate><description><![CDATA[目标检测作为计算机视觉领域的核心任务，传统方法依赖于 YOLO 等视觉模型对预定义类别进行位置预测。然而，此类方法受限于预训练类别体系，难以实现灵活的视觉交互。视觉语言模型（Vision-Language Models, VLMs）的问世打破了这一局限，其具备跨模态理解能力，能够实现图像与自然语言的双向交互，为目标检测领域带来范式革新。本文系统探讨基于 VLM 的目标检测技术，重点研究 Qwen2.5-VL 模型的技术特性与应用方法。]]></description><category></category></item><item><title><![CDATA[视觉语言模型的空间推理缺陷——AI 在医学扫描中难以区分左右]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/150014905</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/150014905</guid><author>matt45m</author><pubDate>Thu, 07 Aug 2025 15:45:02 +0800</pubDate><description><![CDATA[最新研究发现，主流AI视觉语言模型（如GPT-4o）在医学影像诊断中存在重大缺陷。测试显示，这些模型往往依赖先验解剖学知识而非实际图像内容，导致在判断器官位置时准确率接近随机水平（50%）。当图像被旋转或翻转时，模型仍会给出标准解剖位置的错误答案。研究发现，使用视觉标记（如字母、数字或色点）并移除解剖术语后，模型准确率可提升至75%-85%。这表明当前AI系统可能无法正确处理非常规病例（如内脏反位），存在严重误诊风险。该研究由德美团队完成，相关数据集已公开发布。]]></description><category></category></item><item><title><![CDATA[LLM开发——语言模型会根据你的提问方式来改变答案]]></title><link>https://blog.youkuaiyun.com/matt45m/article/details/149943044</link><guid>https://blog.youkuaiyun.com/matt45m/article/details/149943044</guid><author>matt45m</author><pubDate>Tue, 05 Aug 2025 22:32:16 +0800</pubDate><description><![CDATA[牛津大学研究发现，主流开源AI聊天模型存在隐藏偏见：根据用户语言中隐含的种族、性别等信息，在医疗、法律、薪资等关键领域给出差异化回答。研究测试了Meta的Llama3和阿里巴巴的Qwen3模型，发现： 非白人用户更常被建议就医，但薪资建议更低 非二元性别者获得法律建议概率更低 模型会从语言风格推断用户身份并调整回答 研究警告这种隐蔽偏见可能影响AI在医疗诊断、法律咨询等领域的应用公正性，呼吁开发新工具检测此类社会语言偏见。]]></description><category></category></item></channel></rss>