来源：机器之心 原文链接：https://mp\.weixin\.qq\.com/s/Oj5TXFn\_g9z1pRXJUyjOPg 当听到「把双手举过头顶，然后向前走」，人可以在脑中补出一整段动作；当看到一段无声的人体轨迹，也能判断人物是在行走、转身还是踉跄。连续运动既可以被语言描述，也可以作为生成、预测和编辑的条件。 今天的多模态大模型已经能够理解和生成文本、图像，却很少把「人怎样...

来源：我爱计算机 原文链接：https://mp\.weixin\.qq\.com/s/QaJ\-STPtVDLPX\-4j\-1UuCg?scene=1 在复杂现实场景下的半监督视频目标分割（Semi-supervised Video Object Segmentation, VOS）任务中，严重遮挡、目标频繁消失与重现、微小尺度以及密集同类干扰物等极端情况，长期困扰着现有的视觉模型。...

来源：高德地图 原文链接：https://mp\.weixin\.qq\.com/s/RbjfT1V632UQwraqHspU7w?scene=1&click\_id=630311600 大会介绍 ECCV（European Conference on Computer Vision，欧洲计算机视觉国际会议）是计算机视觉领域重要的顶级国际学术会议之一，与CVPR、ICCV并称计...

来源：多模态视觉 原文链接：https://mp\.weixin\.qq\.com/s/9DDw5LZTBdYIR64l0lM2Bg 在遥感、无人机和港口画面里，目标大多是斜着的，水平检测框会框进一大堆背景，旋转框又因为角度周期性而难训、难收敛。中科大联合华为、清华提出的 RiO-DETR 把端到端旋转 DETR 第一次推进实时区间——最轻量模型只有 4.0M 参数、T4 上端到端延迟 ...

来源：机器之心 原文链接：https://mp\.weixin\.qq\.com/s/tMxuVOqCad5I6bO\_Jb3Njg 请想象这样一种居家场景：当你戴着 AI 眼镜在厨房准备晚饭，用刀切菜时，它会立刻提醒你注意安全；当你连续几天形成举着手机长时间录像的习惯时，它会主动建议你换一种更省力的记录方式。前者需要 AI 助手根据当前场景服务用户，后者则需要调用跨越数天的记忆，总结用...

来源：林叔说事 原文链接：https://mp\.weixin\.qq\.com/s/dF\_niCtYfqjwld2AKRJwVw 拿起手机，对着你的房间随手录一段10秒钟的视频。 几分钟后，屏幕里出现了一个活生生的三维物理世界，原先的像素录像成了可以交互的场景。 桌子、椅子、花盆、甚至一只正在扑腾翅膀的鹦鹉，全都被拆解成了独立的实体网格。 你可以把一台虚拟机械臂丢进去：推一把花...

来源：量子位 原文链接：https://mp\.weixin\.qq\.com/s/fmy0V\_Curk3m7PNq3dZgHQ 在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。 相机持续移动、视角不断变化、目标时隐时现，空间信息从来不是明确且集中的，而是往往分散在长时间视频流里，模型不仅要“看得见”，更要“记得住、连得起来、还能持续更新”。 ...

来源：机器之心 原文链接：https://mp\.weixin\.qq\.com/s/yaIxPelBSSqg6GJ5hAhMKg 论文的团队来自于清华大学产业研究院（AIR），滴滴，北京航空航天大学。团队近年在自动驾驶与具身智能领域发表论文数十篇，并和国内外知名高校、科研机构广泛开展合作。 该论文的第一作者为杨予光，北京航空航天大学博士研究生，研究方向为自动驾驶与具身智能，提出首个 ...

来源：公众号“具身栖息地” 原文链接：https://mp\.weixin\.qq\.com/s/DnTT7d2WSAYdvCLRnbMYzw?scene=1 想象一个这样的午后：家用机器人在餐边柜前接到“把杯子递过来”的指令，它抬起手臂，绕过桌角堆叠的杂志，避开突然探过身来的孩子，稳稳地握住杯柄，轻轻绕过水杯旁的玻璃花瓶，安全递到你手边。 这一切听起来很自然，是因为我们默认它懂得什么...

译者：AI研习社（Champagne Jin、季一帆） 双语原文链接：ECCV 2020: Some Highlights 2020年欧洲计算机视觉会议（ECCV）于8月23日至28日在线举行。本次会议共接收1360篇论文，包括104场orals，160场spotlights以及1096篇posters，共进行有45场workshops和16场tutorials。就像其他ML和CV会议一...