LegközelebbKövetkező útmutató
Tárgyfelismerés
Vizuális AI
Vizuális MI ÚTMUTATÓ
A nyílt szókincsű objektumfelismerők szöveget használnak a kategóriák vagy leírások meghatározására a lokalizációhoz, a rögzített, dobozzal címkézett osztálylistán túl.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Vision-language pretraining supports this flexibility, but naming a category does not guarantee that it will be detected correctly.
A closed-set detector predicts from a trained category vocabulary. Open-vocabulary approaches use language representations alongside visual features so inference-time text can specify additional categories. In common embedding-based designs, region features are compared with text embeddings instead of relying only on fixed per-class classifier weights. Image-text pretraining supplies a shared representation, although the training and grounding mechanisms differ across models such as ViLD, OWL-ViT, GLIP, Detic, and Grounding DINO. Novel relative to the box-labeled classes does not necessarily mean absent from all pretraining data. Object detection predicts locations, typically bounding boxes, as well as semantic matches. Evaluate prompts, thresholds, and domain shifts before using predictions as dataset annotations; arbitrary text is not a promise of arbitrary accurate perception.
Képek keresése ritka vagy egyedi objektumok után nevük beírásával, átképzés nélkül
A robotrendszerek megtalálják a felhasználó által elnevezett elemet természetes nyelven, mielőtt megfogják
Adatkészletek automatikus címkézése sok új kategória felismerésével egy szöveges listából
Tartalmi moderálás, amely megjelöli az eredeti tanítási címkékben nem szereplő objektumokat
A nyílt szókincs észlelése konvergál a földeléssel és a szegmentálással, ahol szabad formájú kifejezések (nem csak egyes szavak) lokalizálják az objektumokat, valamint a felszólító rendszerekkel kombinálva olyan modellekkel, mint a SAM a maszkokhoz. Erősebb nulla-lövés pontosságra, hosszabb és kompozíciósabb szöveges lekérdezésekre („a laptop mögött a piros bögre”) és a szükség szerint észlelő multimodális asszisztensekkel való szoros kapcsolatra számíthat. Ahogy javul a webes méretű kép-szöveg képzés, az észlelés, a visszakeresés és a nyelvi megértés közötti határ folyamatosan elmosódik az általános vizuális alapozás felé.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Open-vocabulary object detectors use text to specify categories or descriptions for localization beyond a fixed box-labeled class list. Vision-language pretraining supports this flexibility, but naming a category does not guarantee that it will be detected correctly.
A nyitott szókincs észlelése képes lokalizálni a szöveggel meghatározott kategóriákat a tesztidőben, még azokat is, amelyeket soha nem látott határolókeretekkel felcímkézve.
This is a common design; richer grounding architectures can add further language-region interactions.
A (CLIP-stílusú modellek által használt) tömeges kép-szöveg adatok létrehozzák a megosztott beágyazási teret, amely lehetővé teszi a szöveg általánosítását új kategóriákra.
The label representations allow the supplied vocabulary to vary; architectures differ in the details of text-visual interaction.
A földelő DINO, valamint a GLIP, OWL-ViT, ViLD és Detic jól ismert nyílt szókincs vagy földelés detektorok.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Tárgyfelismerés
Vizuális AI