为何Gemini无法识别字体？从零训练模型的实战经验
这篇文章探讨了从零开始构建一个字体识别 AI 模型的实战经验与心得。尽管通用多模态大模型（如 Gemini）日益强大，但设计师反馈其在字体识别方面表现糟糕，经常“一本正经地胡说八道”，Adobe 等专业工具的效果也难以令人满意。该项目的价值...
标签索引 / 第 2 页
计算机视觉
这个标签下有 31 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
英伟达展示“NemoClaw”AI方案：利用计算机视觉革新小龙虾分级流程
英伟达近日通过NemoClaw项目展示了AI技术在传统农业中的创新应用。该项目利用先进的计算机视觉和深度学习算法，能够对小龙虾进行精准的识别与分级，包括大小、品相甚至死活的检测。通过在边缘设备上部署NVIDIA的AI技术，该系统大幅提升了食...
Okmain：如何从图像中提取“好看”的主色调
本文介绍了一项名为 Okmain 的技术方案，专注于解决图像处理中看似简单实则棘手的问题：如何为一张图片挑选出最合适的主色调。文章深入探讨了传统的色彩提取算法（如简单的平均值或复杂的聚类分析）在实际应用中遇到的挑战，特别是在色彩感知和视觉美...
基于视觉语言模型：新工具实现卫星图像“文本搜物”与实时分析
这款名为“卫星分析工作区”的演示工具展示了最新的地理空间计算机视觉技术。用户无需注册，即可在高分辨率地图上通过输入“车辆”、“储罐”或“桥梁”等文本提示词，利用视觉语言模型实时检测并识别地面物体。该工具旨在展示其云端推理引擎的速度与精度，虽...
CNN Explainer：交互式可视化工具助你轻松掌握卷积神经网络原理
CNN Explainer 是一款由乔治亚理工学院开发的交互式开源教育工具，旨在帮助用户直观理解卷积神经网络（CNN）的核心机制。通过浏览器端的实时动态演示，该工具将复杂的数学运算（如卷积、池化、ReLU等）转化为可视化的图像变换过程，揭示...
能听懂人话的卫星地图：基于VLM的零样本目标检测工具
这是一项极具实用价值的AI技术创新，作者开发了一款基于浏览器的工具，利用视觉语言模型（VLM）实现了卫星图像的“零样本”目标检测。用户只需在地图上圈选区域并输入文本提示（如“游泳池”、“油罐”），系统即可自动扫描瓦片并将检测结果转换为地理坐...
谷歌DeepMind联手UC伯克利推出LoGeR，攻克超长视频3D重建难题
谷歌DeepMind与加州大学伯克利分校联合开发了名为LoGeR的新算法，旨在解决从极长视频中重建高质量3D几何形状的挑战。现有的3D重建技术往往受限于视频长度，面临计算量过大和特征漂移的问题。LoGeR通过引入创新的“混合记忆”机制，有效...
摒弃光线步进：基于体积基元的解析雾渲染技术详解
本文介绍了一种高性能的体积雾渲染新技术，旨在解决传统光线步进算法带来的性能开销与混叠失真问题。文章深入探讨了如何利用球体、盒子等体积基元，并通过数学解析解计算光透过率，从而替代昂贵的数值积分计算。作者详细推导了线性、二次、高斯等多种密度函数...
【硬核技术】深入解析sRGB与XYZ转换：Gamma校正背后的数学原理与代码实现
本文详细剖析了sRGB与XYZ色彩空间转换的底层算法原理与工程实现。文章重点阐述了Gamma校正的物理机制，解释了为何利用幂函数模拟人眼对亮度的非线性感知能显著提升编码效率。此外，作者提供了从矩阵变换逻辑到TypeScript代码实现的完整...
AI 视频生成实战：Java 程序员求助 Python 方案，探讨换脸与替换背景商用落地
一位原本从事 Java 开发的程序员因公司 AI 同事离职，被迫接手使用 Python 开发抖音视频自动化生成工具的需求。该工具要求输入模板视频后，能够一键替换人脸、商品 Logo 及背景场景，以实现批量生产推广视频。发帖者在社区中急切寻找...