本文提出了一种适用于动态施工环境中的鲁棒目标检测主动学习框架，有效解决了标注数据有限及标注成本高昂的挑战。相较于随机采样方法，该方法可降低30%-40%的标注工作量，充分展现了其在改进建筑构件识别算法开发方面的潜力——尤其适用于安全设备、建筑部件及施工工具等通常不可见的小型物体识别场景。本文提出了一种稳健且高效的主动学习框架，用于动态建筑工地中的目标检测任务，该框架充分利用了YOLOv10的先进能

物体与其位置之间的复杂关系、现实环境中存在的模糊性及多样性，更适宜通过人类语言来描述——这种语言天然遵循语法规则，并融合了音频、深度等其他模态信息。本综述全面梳理了这些新兴基础模型，涵盖整合不同模态（视觉、文本、音频等）的典型架构设计、训练目标（对比式、生成式）、预训练数据集、微调机制，以及文本型、视觉型和异构型等常见提示模式。我们探讨了计算机视觉领域基础模型面临的开放性挑战与研究方向，包括模型评

基于LLM技术的汽车系统功能性安全与设计保障

实验表明，引入多作物上下文信息能显著提升植物病害检测语义分割模型的性能：相较于传统方法（F1=0.24，r=0.68），我们的方法在不同作物上均展现出更高的准确率和更好的泛化能力（F1=0.68，r=0.75）；该算法的部署有望彻底革新作物保护产品测试的数字化流程，在确保实验结果可重复性的同时最大限度减少人为主观因素的影响。这一目标是通过在模型的后期层阶段融合上下文信息实现的。该算法的应用有望彻底

为缓解DETR模型中一对一匹配（O2O）固有的稀疏监督问题， DEIM 采用了密集型O2O匹配策略：通过运用标准数据增强技术引入额外目标样本，从而提升每张图像的正样本数量。虽然密集型O2O匹配能加快收敛速度，但也会产生大量低质量匹配结果，影响模型性能。此外，基于 DEIM 训练的实时模型表现优于主流实时目标检测器—— DEIM -D-FINE-L和 DEIM -D-FINE-X在 NVIDIA T

摘要：开放世界目标检测（OWOD）将目标检测问题拓展至真实动态场景，要求检测模型既能识别已知目标，又能检测未知目标，并能持续学习新引入的知识。现有 OWOD 模型（如ORE和OW-DETR）主要通过将具有高目标性评分的区域伪标记为未知区域，其性能高度依赖已知目标的监督标注。虽然这些模型能检测到与已知目标特征相似的未知目标，但存在严重的标签偏差问题——它们往往将所有与已知目标特征不相似的区域（包括未

首先在开了“粘附”的情况下画连接线，然后按“Alt”+“F9”打开“对齐和粘附”工具框，关闭“粘附”，如图。有时想让vision达到这样的效果，但开了“粘附”后往往只能捕捉到矩形的中点，如下图。然后在选择指针工具的情况下（如下图）移动连接点，即可达到理想状况了。