GroundAnything dùng giải mã song song để định vị đối tượng trong ảnh
Nhóm nghiên cứu giới thiệu GroundAnything, mô hình 4 tỷ tham số được thiết kế để xác định vị trí đối tượng và các quan hệ không gian trong ảnh theo yêu cầu. Thay vì tạo lần lượt từng dự đoán vị trí, mô hình dùng quá trình khuếch tán để tạo và tinh chỉnh các dự đoán song song, nhằm giảm độ trễ do phải chờ từng đầu ra. Quá trình huấn luyện kết hợp dữ liệu định vị đối tượng, chuyển đổi từ mô hình tạo đầu ra tuần tự, tinh chỉnh có giám sát và học tăng cường. Cách tiếp cận này có thể giúp hệ thống định vị trong ảnh hoạt động nhanh hơn mà vẫn giữ được độ chính xác.
Đọc bài gốc