ZILLIZ

更强语言能力的CLIP 拓展模型 AltCLIP

能够边聊天边绘画的 Visual ChatGPT

Visual Prompt Retrieval 通过新兴能力改进模型

Tune-A-Video 学会用文字生成视频只需一个例子

针对视频分类研究知识迁移

TeSTRa 实现稳定的流式视频识别

SVFormer 用ViT进行半监督动作识别。

AdaMAE 为MAE 引入自适应采样

PMR 提取视频特征，理解上下文

BATMAN 在视频分割中使用双边注意力

SparK 用稀疏掩码为卷积设计 Bert 预训练

CMAE 结合对比学习和掩码，提高表征辨别力

微软提出 TinyMIM，首次用掩码预训练改进小型 ViT

MixMIM 混合图像进行掩码

ConvNeXt V2 结合MAE再出击！

ONN 在神经网络中引入光学技术

CuPL 利用大规模的语言模型，更高效地生成提示

Mega 利用移动平均改进序列模型

CLIPPO：纯图像的CLIP，参数减半且更强大！

DiT：Transformers 与扩散模型强强联手

微软提出通用解码器 X-Decoder，支持图像分割和语言分词

​本文将介绍使用 Towhee 和 Milvus 搭建片段粒度的视频查重系统。​

这篇文章将教你如何利用 Milvus 和 Towhee 搭建一个粗粒度「视频去重」系统！

四年一度的世界杯已正式拉开战幕，不如让 Towhee 带你「以文搜球」，一览绿茵场上足球战将们的风采吧～

​在这篇文章中，我们将会使用 Milvus 和 Towhee 搭建一个基于内容理解的「视频检索」服务！

本文主要介绍了如何用非结构化数据处理 ETL 平台 Towhee 搭建一个视频动作分类系统。

本周介绍了 5 个计算机视觉领域的 SoTA 模型： Neuman 帮你创造新视频、PeRFception 助力三维重建、Xmodal-Ctx 输入辅助信息生成更好的图像描述、ExpansionNet 探索序列长度的影响、GRIT 用更多图像特征与文字交互。

本周介绍了 5 个视频相关的 SoTA 模型： VideoMAE 成功在视频模型中加入超高遮蔽率、ViS4mer 处理长视频高效又低成本、Flamingo 只需小样本就能胜任多种视觉语言任务，VDTN 用多模态的概念重新定义对话状态追踪任务，ActionFormer 率先将 Transformer 应用到时空动作定位任务。

本周介绍了 5 个计算机视觉领域的 SoTA 模型，均于最近发表于全球顶会 ECCV 2022： AVS 提出新颖的视听分割任务，kMaX 有效利用经典聚类算法进行全景分割，WSG-VQA 用弱监督学习 Transformer 突破视觉问答 grounding任务，COST 理解视频内容实现 AI 对话，HorNet 将新型视觉骨干插入卷积和 Transformer 架构

本周介绍了 5 个计算机视觉领域的 SoTA 模型，均于最近发表于2022年顶会 CPVR 和 ECCV： RepLKNet 特立独行专门研究大卷积核， PoolFormer 表示 Transformer 的核心在于架构，Shunted Transformer 提出能够分流的新型注意力机制，QnA 用学习查询加速视觉模型， CoOp 第一个在计算机视觉领域里探索可学习的提示。

本周介绍了 5 个计算机视觉领域的 SoTA 模型，均于最近发表于 2022 年顶会 CPVR 和 ECCV

本周介绍了 5 个多模态的深度学习模型： CLIP 连接文本与图像、 BLIP 统一图文理解与生成、 LightningDot 加速图文跨模态检索、 Data2Vec 兼容文本与音频、 Perceiver 进一步模拟人类处理不同模态数据

接下来本文会从性能、模型和业务流程方面讨论如何解决这些痛点，从而优化我们的以图搜图系统，最后会介绍如何使用 FastAPI 实现简单高效的 Web 服务。

本周介绍了 5 个计算机视觉领域的深度学习模型： 动作识别框架新范式 STRM， 智能计数重复动作新基准 TransRAC，高效且可拓展的注意力机制 MaxViT，新型图像检索网络 CVNet，文本与视觉专家联手视频检索 Collaborative Experts...

本周继续介绍 5 个计算机视觉领域的深度学习模型： 多尺度视觉模型 MViT, 能够处理更大图像的 Swin Transformer V2, 全能型多模态模型 CoCa, 端到端的视频语言学习 Violet, 实现视频理解大一统的 All in one......

MPViT 通过多嵌入和多路径探索多种视觉任务、 BridgeFormer 利用别样的选择题训练方式加速视频文本检索、 SVT 用自蒸馏让视觉 Transformer 训练摆脱对比学习、CoFormer 融合动作分类和物体检测来识别视频中的情境、ActionCLIP 用检索任务开拓动作识别新思路。...

本文将介绍如何快速搭建自己的图片搜索引擎，只要 10 行 Python 代码就能轻松搞定！

本周我们分享 5 个视频相关的 AI 模型：轻便好用的视频动作识别模型系列 MoViNets、实现文本与视频跨模态搜索的 CLIP4Clip、比 CLIP4Clip 更好的视频检索模型 DRL、挣脱视频数据局限的 Frozen in Time、对冠军模型 MMT 再次升级的 MDMMT。......

无论是由文字寻找相关内容视频，还是自动为视频匹配最合适的描述，CLIP4Clip 都能帮你做到。

本周一共介绍了 5 个视频相关的模型：“杂食者” Omnivore、“性价比之王” TSM、“进击的纯血” TimeSformer、“回归的高手” Video Swin Tranformer、“国产之光” UniFormer。无论是崛起的新生代，还是与时俱进的 OG，总有一款模型为你所爱。图像、视频、3D 数据一把抓，不挑食的 AI 模型 Omnivore ！厌烦了不同数.........