#MV

Voxel51 залучає $30 млн, щоб допомогти ШІ зрозуміти реальний світ

Компанія Voxel51 нещодавно отримала значне фінансування у розмірі 30 мільйонів доларів на подальше вдосконалення своєї платформи для візуального розпізнавання зображень, що має на меті розв’язати проблеми, які часто призводять до невдач у проєктах у галузі штучного інтелекту.

Дослідники з Intel Labs представили LLaVA-Gemma

Дослідження LLaVA-Gemma демонструє значний прогрес у галузі великих мультимодальних моделей (LMM), зокрема, фокусуючись на компромісах між обчислювальною ефективністю та глибиною візуального і лінгвістичного сприйняття.

Що таке машинний зір (Machine Vision, MV)?

Машинний зір — це технологія, яка дозволяє машинам, зазвичай обчислювальним пристроям, візуально сприймати та інтерпретувати навколишнє середовище.

Ефективність штучного інтелекту в аналізуванні кольору

Різні галузі все більше досліджують застосування штучного інтелекту в різних сферах використання, і одна з нових сфер зацікавлення пов'язана з використанням ШІ для аналізу кольору.

Дослідники з Пенсильванії створили фреймворк машинного навчання для тестування ChatGPT-Vision від OpenAI.

Модель GPT-Vision привернула широку увагу завдяки своїй здатності розуміти і генерувати контент, пов'язаний як з текстом, так і з зображеннями.

Подолання галюцинацій в ШІ

Завдяки додатковому попередньому навчанню з використанням пар зображення-текст або точному налаштуванню за допомогою спеціалізованих наборів даних з візуальними інструкціями, великі мовні моделі можуть перейти в область мультимодальних можливостей, прокладаючи шлях до надійних великих мультимодальних моделей.

Зустрітися з проблемою обличчям

Дослідники з Технологічного інституту Шибаура революціонізували визначення напрямку обличчя за допомогою глибокого навчання: Подолання викликів, пов'язаних з прихованими рисами обличчя та розширенням кутів огляду

Глибоке навчання в оптичній метрології

Паливні елементи є перспективним джерелом чистої енергії, але їхня поверхня може страждати від мікродефектів, які впливають на ефективність. Виявлення цих дефектів традиційно передбачає використання растрової електронної мікроскопії, але дослідники з Корейського науково-дослідного інституту стандартів і науки розробили рішення, що базується на глибокому навчанні.