本文提出TrackRef3D，首个全自动无需人工标注的开放世界3D指代分割方法。针对现有技术依赖昂贵人工标注和多视角伪标签不一致的问题，通过轨迹感知语义共识模块（TSCM）实现跨视角语义一致性，利用混合训练策略（HTS）联合优化类别语义和指代描述。在Ref-LERF基准上以38.8mIoU超越此前最优方法9.6个百分点，在LERF-OVS和3D-OVS上分别达到63.2和95.2mIoU。该方法通

清华大学等机构联合发布首个工业巡检安全评估多模态数据集InspecSafe-V1，填补了该领域真实数据空白。该数据集包含5类工业场景、2239个巡检点的5013个实例，提供7种同步感知模态（RGB/红外/音频/点云等）和像素级分割（234类对象）、场景描述及四级安全标签。基准测试显示，现有视觉语言模型在复杂工业环境下表现欠佳，推理增强模型准确率仅比指令模型高8个百分点，误报率超30%，暴露了恶劣光

清华大学等机构联合发布首个工业巡检安全评估多模态数据集InspecSafe-V1，填补了该领域真实数据空白。该数据集包含5类工业场景、2239个巡检点的5013个实例，提供7种同步感知模态（RGB/红外/音频/点云等）和像素级分割（234类对象）、场景描述及四级安全标签。基准测试显示，现有视觉语言模型在复杂工业环境下表现欠佳，推理增强模型准确率仅比指令模型高8个百分点，误报率超30%，暴露了恶劣光

YOLOv6是由美团视觉智能部研发的一款目标检测框架，专注于工业应用。相较于YOLOv4和YOLOv5，YOLOv6在网络结构方面进行了深入优化，提升了模型的检测精度，并在处理复杂场景时更加稳健。同时，YOLOv6还在保持高效性的基础上，减少了模型的参数量，适合在移动端等计算资源有限的设备上运行。论文：总结而言，YOLOv6是一个专为工业应用设计的单阶段目标检测框架，通过优化标签分配策略、损失函数

在目标检测领域，YOLO系列算法以其高效的端到端设计和卓越的实时性能，始终占据着重要地位。其中，YOLOv3作为该系列的第三代，凭借Darknet-53骨干网络、多尺度检测机制以及对分类方法的优化，不仅实现了精度与速度的平衡，还为目标检测技术的实际应用提供了新的可能性。在这篇文章中，我们将详细解读YOLOv3的模型结构与性能表现，探索其在Coovally CPU平台上的使用方法，从模型训练到实际预

一场又一场智慧与技术的较量接连上演，这不仅是一次提升专业素养和设计能力的绝佳机会，更是通往丰厚奖励的桥梁。参赛选手自由集成任何第三方开源或闭源模型进行比赛，利用Coovally的模型训练功能开展模型的训练，并由此来提交训练结果至打分系统。采用调用模型接口的形式进行比赛，大赛组委会针对此类赛题搭建比赛平台，比赛平台自动挂载数据，自动执行模型，在离线环境中进行比赛。使用官方提供的绘画工具，紧扣【天山绮

本文提出了面向矿区地表裂缝的完整框架：DRA-UNet 语义分割（F1=71.60%/MIoU=70.00%）→ 骨架提取与几何量化 → 工作面尺度空间分析。几何分析揭示裂缝长度、宽度和面积均呈右偏长尾分布（均值：长度 2.12 m，宽度 7.73 cm），矩形度随裂缝长度增加而下降；空间分析表明工作面边界附近裂缝密度和复杂度显著增高，内部裂缝呈特征性的"C形"张开模式。检测-量化-空间分析的三层

福井大学联合UBC等机构提出InvAD，创新性地采用"反演检测"替代传统扩散模型的"重建检测"范式。该方法通过3步DDIM反演将图像映射到隐空间，测量其与正常分布的偏离度来判断异常，避免了传统方法中噪声强度调参和多步去噪的瓶颈。实验表明，InvAD在MVTec-AD上达到99.0%的AU-ROC和88.1FPS的推理速度，比现有最快方法提速2.2倍，且无需调

能够提供“打包自身的A I能力”，给业务人员使用，可实现“授人以渔”。如上图所示，搜索相关模型名称后，Coovally插件会帮助自动识别相关模型名称并进行标注，点击便能直接跳转至Coovally平台，进行相关任务的创建。“得数据者，得人工智能”，有了浏览器插件功能的加持，Coovally将进一步拓宽应用场景，提高使用灵活度，助力深度学习研究的进一步发展。下载Coovally插件即可在浏览器内的任何

Ultralytics在2024年YOLO Vision活动上隆重推出全新计算机视觉模型——YOLO 11。YOLO 11于今日正式开源，为广大开发者带来更高效、更精准的视觉识别体验。YOLO 11标志着YOLO系列模型翻开新的篇章，它带来了一系列强大的功能和优化，使其更快，更准确，并且功能多样。