图像识别

首页 标签 图像识别
阿里云智能图像识别服务发布
本文的整理自2017云栖大会-上海峰会上阿里巴巴iDST研究员华先胜,关于智能图像识别服务发布的讲义。从图像识别介绍、到市场分析、再到阿里云解决方案,最后进行了功能展示以及介绍了如何调用服务的方式。
【视觉智能产品速递——视频人脸融合产品能力升级】
本文介绍视频生产(videoenhan)类目下的通用视频人脸融合MergeVideoFace的功能介绍以及代码示例。
基于深度学习的图像识别技术在无人机导航中的应用
【2月更文挑战第28天】 在现代科技快速发展的背景下,无人机(UAV)技术已成为军事和民用领域中的一项关键技术。其自主导航能力的提升对于执行复杂任务至关重要。本文主要探讨了利用深度学习模型优化无人机的图像识别能力,进而提高其在未知环境下的导航精度与可靠性。通过对比实验分析,验证了所提出方法的有效性,并对未来的研究方向进行了展望。
Omnitool:开发者桌面革命!开源神器一键整合ChatGPT+Stable Diffusion等主流AI平台,本地运行不联网
Omnitool 是一款开源的 AI 桌面环境,支持本地运行,提供统一交互界面,快速接入 OpenAI、Stable Diffusion、Hugging Face 等主流 AI 平台,具备高度扩展性。
ViT(Version Transformer)原始论文解读
虽然Transformer体系结构已经成为自然语言处理任务的事实上的标准,但它在计算机视觉方面的应用仍然有限。在视觉上,注意力要么与卷积网络结合应用
【大模型】大型模型飞跃升级—文档图像识别领域迎来技术巨变
通过对GPT-4V和文档识别领域的深入分析和思考,为OCR文档识别领域的研究开辟了新的方向。需求不断增长的背景下,提高识别精度和处理效率成为了迫切需要满足的新应用标准。在这一背景下,出现了: 素级OCR统一模型、OCR大一统模型、文档识别分析+LLM(LanguageModel)等应用的新方向。下面来详细看一下。
LongDocURL:中科院联合阿里推出多模态长文档理解基准数据集,用于评估模型对复杂文档分析与推理的能力
LongDocURL 是由中科院与淘天集团联合推出的多模态长文档理解基准数据集,涵盖 2,325 个问答对,支持复杂文档的理解、推理和定位任务。
用自然语言控制电脑,字节跳动开源 UI-TARS 的桌面版应用!内附详细的安装和配置教程
UI-TARS Desktop 是一款基于视觉语言模型的 GUI 代理应用,支持通过自然语言控制电脑操作,提供跨平台支持、实时反馈和精准的鼠标键盘控制。
免费试用