XiaoMi-AI文件搜索系统
World File Search SystemOpen
欧盟人工智能法案支持开源和开放科学
4 数据表记录了收集给定数据集背后的动机，以及任何数据处理和受影响的利益相关者。模型卡包括有关模型架构和开发、其预期和超出范围的用途、评估指标、训练数据和道德考虑的披露。
REC Limited 在 Open Magazine 上刊登广告
财务可持续性：REC 一直保持强劲的财务业绩，为印度的整体经济福祉做出了贡献。我们一直保持着健康的盈利能力和强劲的信用评级，这使我们能够提供有竞争力的融资选择。REC 拥有 CRISIL、ICRA、IRRPL 和 CARE 的最高信用评级，国际评级与主权评级相当。此外，我们专注于多元化贷款组合，有助于降低风险并确保长期财务稳定。REC 关注的不仅是信贷增长，还有贷款资产的质量，这一点从过去连续九个季度没有增加新的不良资产，净不良资产从 2020 年 3 月的 3.32% 降至 2024 年 3 月的 0.86% 的事实可以看出。我们预计，到 2025 年 3 月，我们将成为一家净零不良资产公司。
无培训预处理的模型合并-CVF Open Access
最近，模型合并技术已浮出水面，作为将多个单元模型组合为单个多泰模型组合的解决方案。但是，该领域的先前努力需要进行其他培训或细调过程，或者要求模型具有相同的预先训练的初始化。在这项工作中，我们在W.R.T.先前的工作中确定了一个缺点。单位相似性在重量空间和激活空间中的不一致性。为了解决这种不一致，我们提出了一个创新的模型合并框架，该模型是在双空间约束（MUDSC）下合并的。具体而言，我们主张探索位于双重空间中统一高相似性的区域中的置换矩阵，而不是仅仅使单个空间的目标最大化，这是通过激活和重量相似性矩阵的线性组合实现的。为了提高可用性，我们还对群体结构进行了对企业的适应，包括多头关注和群体标准化。全面的实验比较表明，MUDSC可以很明显地提高具有各种任务组合和体系结构的合并模型的性能。此外，多任务损失景观中合并模型的可视化表明，MUDSC使合并的模型能够驻留在重叠段中，其中每个任务都有统一的较低损失。我们的代码可在https://github.com/zju-vipa/training_free_model_merging上公开获取。
开放式对象检测的生成区域训练
在最近的研究中，已对开放式摄制对象检测任务进行了大量关注，旨在概括训练期间标记的类别的有限级别，并检测推理时任意类别名称所描述的对象。与常规对象检测相比，打开的词汇对象检测在很大程度上扩展了对象检测类别。但是，它依赖于计算图像区域与一组具有验证视觉和语言模型的任意类别名称之间的相似性。这意味着，尽管具有开放式的性质，但该任务仍然需要在推理阶段的预定义对象类别。这提出了一个问题：如果我们在推理中对对象类别没有确切的了解，该怎么办？在本文中，我们称之为新的设置为生成性开放式对象检测，这是一个更普遍和实际的问题。为了解决它，我们将对象检测形式为生成问题，并提出了一个名为generateu的简单框架，该框架可以检测密集的对象并以自由形式的方式生成其名称。尤其是，我们采用可变形的DETR作为区域促成生成器，其语言模型将视觉区域转换为对象名称。为了评估自由形式的对象划分任务，我们介绍了一种评估方法，旨在定量测量生成量的性能。广泛的实验表明我们的生成量强烈的零射击性能。代码可在以下网址获得：https：//github.com/foundationvision/generateu。例如，在LVIS数据集上，我们的GenerateU在推理过程中属于类别名称，即类别名称无法看到类别名称，即使类别名称看不见类别名称，我们的GenerateU也可以与开放式唱机对象检测方法GLIP相当。
Edugain OpenID联邦飞行员
{“ alg”：“ ES256”，“ KID”：“ NFM1WUVIUL”，“ typ”：“应用程序/Entity-Statement+JWT”}。{“ Exp”：1649590602，“ IAT”：1649417862，“ ISS”：“ https：//rp.example.org”，“ sub”：“ https：//rp.example.org.org.org”，“ “ CRV”：“ P-256”，“ X”：“…”，“ Y”：“…”}]}，“ Metadata”：{“ OpenID_RELYING_PARTY”：{…}，“ OPENID_CREDENTILAL_ISSUER”
开放式视频视频异常检测
当前的视频异常检测（VAD）方法本质上仅限于封闭设置的设置，并且可能在开放世界应用程序中遇到困难，在培训期间，测试数据中可能存在异常类别。最近的一些研究试图解决更现实的开放式VAD，该研究旨在解散视为异常和正常视频的看不见异常。但是，尽管这种能力对于构建更明智的视频监视系统至关重要，但这种设置着重于预测框架异常得分，没有识别异常类别的能力。本文进一步迈出了一步，并探讨了开放词汇视频异常检测（OVVAD），我们的目的是利用预训练的大型模型来检测和cate-可见和看不见的异常。为此，我们提出了一个模型，该模型将OVVAD分解为两个相互构成的任务 - 类不足的检测和特定于类的分类 - 并共同优化了这两个任务。特别是，我们设计了一个语义知识注入模块，以从大语言模型中引入语义知识以进行检测任务，并设计一种新型的异常合成模块，以在大型视觉生成模型的帮助下生成伪异常视频，以实现分类任务。这些语义知识和综合异常大大扩展了我们模型在检测和分类各种可见和看不见的异常方面的能力。对三个广泛使用的基准测试的实验实验实现了我们的模型在OVVAD任务上实现了最新的性能。
使用 OpenCV 检测停车位
摘要 — 寻找合适的停车位是一个具有挑战性的问题，尤其是在大城市。随着汽车保有量的增加，停车位变得越来越稀缺。对这些停车位的需求不断增长，再加上有限的停车位，导致了供需失衡。缺乏足够的停车管理系统导致许多街道上到处都是非法停放的汽车。需要一个可扩展、可靠、高效的停车管理系统来解决这个问题。基于深度学习的计算机视觉技术已经成为解决此类问题的有希望的解决方案。这些技术对图像识别和处理领域产生了巨大的影响。它们还为车辆跟踪领域的进一步应用提供了巨大的潜力。因此，它们可以用来检测停车位。
MedPerf - 使用联合评估的医疗 AI 开放基准测试平台
Vector Institute)、Vijay Janapa Reddi（哈佛大学）、G Anthony Reina（在英特尔任职期间做出贡献）、
开放世界的语义细分包括类相似性
解释摄像机数据是自主行动系统（例如自动驾驶汽车）的关键。在现实世界环境中运行的视觉系统必须能够解释其周围环境，并需要能够处理新型情况。本文解决了开放世界的分段，即解释训练过程中未见对象的图像数据的变体。我们提出了一种新的方法，该方法可以执行确定性封闭世界的语义分割，同时可以识别新类别，而无需任何适当的培训数据。我们的方法1另外，为图像中的每个新发现的类与已知类别提供了相似性度量，这在下游任务（例如计划或映射）中可能是有用的信息。通过广泛的实验，我们表明我们的模型在已知的训练数据以及异常分割的类别上实现了最新的结果，并且可以区分不同的未知类别。