沉寂3年，大模型激活小度天貓精靈？
Tech星球（微信ID：tech618）文 | 何煦陽 沉寂了許久的智能音箱，在今年大模型橫空出世之后，又再次燃起了新的希望。 2月9日，小度宣布將融合文心一言，打造針對智能設(shè)備場景的AI模型&ldq
4 月 24 日消息，科技媒體 marktechpost 昨日（4 月 23 日）發(fā)布博文，報道稱英偉達(dá)為應(yīng)對圖像和視頻中特定區(qū)域的詳細(xì)描述難題，最新推出了 Describe Anything 3B（DAM-3B）AI 模型。
視覺-語言模型（VLMs）在生成整體圖像描述時表現(xiàn)出色，但對特定區(qū)域的細(xì)致描述往往力不從心，尤其在視頻中需考慮時間動態(tài)，挑戰(zhàn)更大。
英偉達(dá)推出的 Describe Anything 3B（DAM-3B）直面這一難題，支持用戶通過點、邊界框、涂鴉或掩碼指定目標(biāo)區(qū)域，生成精準(zhǔn)且貼合上下文的描述文本。DAM-3B 和 DAM-3B-Video 分別適用于靜態(tài)圖像和動態(tài)視頻，模型已在 Hugging Face 平臺公開。
獨特架構(gòu)與高效設(shè)計
DAM-3B 的核心創(chuàng)新在于“焦點提示”和“局部視覺骨干網(wǎng)絡(luò)”。
焦點提示技術(shù)融合了全圖信息與目標(biāo)區(qū)域的高分辨率裁剪，確保細(xì)節(jié)不失真，同時保留整體背景。
局部視覺骨干網(wǎng)絡(luò)則通過嵌入圖像和掩碼輸入，運(yùn)用門控交叉注意力機(jī)制，將全局與局部特征巧妙融合，再傳輸至大語言模型生成描述。
DAM-3B-Video 進(jìn)一步擴(kuò)展至視頻領(lǐng)域，通過逐幀編碼區(qū)域掩碼并整合時間信息，即便面對遮擋或運(yùn)動也能生成準(zhǔn)確描述。
數(shù)據(jù)與評估雙管齊下
為解決訓(xùn)練數(shù)據(jù)匱乏問題，NVIDIA 開發(fā)了 DLC-SDP 半監(jiān)督數(shù)據(jù)生成策略，利用分割數(shù)據(jù)集和未標(biāo)注的網(wǎng)絡(luò)圖像，構(gòu)建了包含 150 萬局部描述樣本的訓(xùn)練語料庫。
通過自訓(xùn)練方法優(yōu)化描述質(zhì)量，確保輸出文本的高精準(zhǔn)度，團(tuán)隊同時推出 DLC-Bench 評估基準(zhǔn)，以屬性級正確性而非僵硬的參考文本對比衡量描述質(zhì)量。
DAM-3B 在包括 LVIS、Flickr30k Entities 等七項基準(zhǔn)測試中領(lǐng)先，平均準(zhǔn)確率達(dá) 67.3%，超越 GPT-4o 和 VideoRefer 等模型。
DAM-3B 不僅填補(bǔ)了局部描述領(lǐng)域的技術(shù)空白，其上下文感知架構(gòu)和高質(zhì)量數(shù)據(jù)策略還為無障礙工具、機(jī)器人技術(shù)及視頻內(nèi)容分析等領(lǐng)域開辟了新可能。
附上參考地址
Describe Anything: Detailed Localized Image and Video Captioning
Hugging Face
項目頁面
本文鏈接：http://www.tebozhan.com/showinfo-45-12581-0.html英偉達(dá)推 DAM-3B 模型：突破局部描述難題，讓 AI 看懂圖像 視頻每一個角落
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號