因为其弱小的泛化性能，在宽泛数据上训练的大规模模型最近已成为计算机视觉中的支流架构。次要摸索了大规模视觉模型中的一种新兴的能力，称为“in-context lea…

以文本-图片生成模型的胜利为灵感，近来文本-视频生成模型也开始采纳大规模的文本-视频数据集进行微调训练。然而解决大规模视频数据的老本十分高，为此 Tune-…

从与工作无关的预训练深度模型中为上游工作转移常识是计算机视觉钻研中的一个重要课题。 随着计算能力的增长，当初曾经有了大规模的开源视觉语言预训练模型和…

流式视频辨认视频会关注每一个视频帧中的对象及其行为。一个好的流式辨认模型能够捕捉视频的长期动静和短期变动。然而在大多数现有办法中，尤其是基于 Transf…

半监督学习（SSL）的动作辨认是一个要害的视频了解工作，然而视频标注的高老本加大了该工作的难度。目前相干的办法次要钻研了卷积神经网络，较少对于视觉 Tra…

Masked Autoencoders (MAEs) 通过从可见数据的 token 重建带掩码的输出数据，学习图像、文本、音频、视频等的通用表征。以后的视频 MAE 办法依赖于基于随机补…

视频对象宰割 (Video Object Segmentation，VOS) 是视频了解的根底。 基于 Transformer 的办法曾经在半监督 VOS 上显示出显着的性能改良。 然而，现有的工作…

稠密掩码建模 (SparK) 是第一个 BERT-style 的预训练方法，无需批改骨干即可间接在任何卷积网络上，克服了它们无奈解决不规则的掩码输出。该框架遮蔽图像的一…

商汤和港中文联结提出一种简略但无效的掩码图像建模（MIM）办法 MixMIM，通过创立混合图像利用BEiT和MAE的长处，又防止了它们的局限性。MixMIM 能够无效地学…

近年来以 ConvNeXt 为代表的古代 ConvNets 在各种视觉场景中都体现出了弱小的性能。尽管这些模型最后是为应用 ImageNet 标签进行监督学习而设计的，但它们也…