开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何读取FSNS数据集中的图像和文本？

FSNS数据集是一种常用的用于文本识别任务的数据集，包含了大量的图像和对应的文本标注。要读取FSNS数据集中的图像和文本，可以按照以下步骤进行：

下载数据集：首先，需要从官方网站或相关资源中下载FSNS数据集。可以通过搜索引擎查找FSNS数据集的下载地址。
解压数据集：下载完成后，将数据集文件解压到本地目录中。
图像读取：使用适合的图像处理库（如OpenCV、PIL等）读取数据集中的图像文件。根据数据集的文件结构，可以通过遍历文件夹或读取特定文件列表的方式获取图像文件路径。读取图像文件后，可以进行进一步的预处理，如调整大小、灰度化等。
文本读取：根据数据集的标注方式，可以使用文本处理库（如Python的字符串处理函数）读取数据集中的文本标注文件。文本标注文件通常是以文本形式存储的，可以逐行读取文件内容，并根据标注格式进行解析和处理。
图像和文本匹配：根据数据集的设计，图像文件和文本标注文件通常是通过文件名或其他方式进行匹配的。可以根据图像文件名或其他标识符，将图像和对应的文本进行匹配。
数据处理和应用：一旦图像和文本成功匹配，可以根据需求进行进一步的数据处理和应用。例如，可以将图像和文本作为训练数据用于文本识别模型的训练，或者进行其他相关任务的研究和应用。

腾讯云相关产品和产品介绍链接地址：

腾讯云图像处理服务：https://cloud.tencent.com/product/imagerecognition
腾讯云文本识别服务：https://cloud.tencent.com/product/ocr
腾讯云人工智能平台：https://cloud.tencent.com/product/ai

相关搜索:如何使用jQuery读取数据集中的数据如何查找和替换SAS数据集中的特定文本？如何在MATLAB中读取TID2013数据集中的特定图像？如何从数据集中移除图像及其标签如何从Synthia数据集中读取标签(注释)文件？如何处理数据集中不相关的图像如何定位这样的文本和图像？如何对数据集中的数据进行排序和选择？如何不从R中的数据集中读取注释行？展平tensorflow数据集中的图像元组从循环中的Spark数据集中读取行数据文本数据集中的特征提取从数据集中读取python格式的*.dat文件如何水平对齐文本和图像？如何在Python中读取图像中文本的颜色如何查看"cats_vs_dogs“tensorflow数据集中的图像如何从python中的图像集中识别CMYK图像如何使用Glide将解析后的包含文本和图像url的数据转换为文本视图和图像视图？如何正确读取文本数据如何测试不在数据集中的图像的准确性

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

业界 | 谷歌开源深度学习街景文字识别模型：让地图随世界实时更新

选自Google Blog 作者：Julian Ibarz 机器之心编译参与：李泽南、晏奇谷歌地图的街景功能拥有 800 亿张高分辨率图片，而且这个数字还在以每天百万的速度不断增加。街景图片是获取准确地理信息的绝佳渠道，而利用深度学习从图片中获取信息，并实时更新地图地址内容正是谷歌研究团队努力的目标。每一天，谷歌地图都会为数百万人指路，并提供相应的实时路况信息和商店推荐。为了向用户提供最好的体验，这些信息必须随着不断变化的世界实时更新。谷歌街景车每天都会收集数百万张图片，而人工分析这超过 800 亿张

08

学界 | 谷歌地图重大升级，用深度学习实时更新街景

AI科技评论按：每天，谷歌地图都为成千上百万的人们提供方位指示，实时路况信息以及商业信息。为了提供最佳的用户体验，地图信息需要不断的根据现实世界的变化做出调整。街景车每天收集数百万张图片，如果用人工分析每天超过800亿张高清晰图片来找出其中的新变化或者更新地图信息，显然是不可能的。因此，谷歌地面实况团队（Ground Truth team）的目标之一，就是从地理位置图像自动提取信息来升级谷歌地图。在“从街景图像中提取基于注意机制的结构化信息”（Attention-based Extraction of S

07

超全的OCR数据集

http://www.robots.ox.ac.uk/~vgg/data/scenetext/

01

超级实习生Ian Goodfellow留给谷歌地图的算法被完善，识别800亿街景图文字（附论文）

大数据文摘作品，转载要求见文末翻译 | 姜范波 Aileen 导读： 2014年，还在谷歌做暑期实习生的Ian Goodfellow开发实施了阅读街景图中路标的数字的方法。如今，新的一群谷歌实习生借助深度学习和TPU的强大运算能力完善了大神当年的算法。新的机器学习框架下，谷歌地图可以准确识别超过800亿战的街景视图图片中的文字，为十多亿谷歌地图用户创造更好的体验。后台回复“谷歌”下载论文全文。 Ian Goodfellow自己也发推特支持谷歌地图新算法，缅怀当年自己做实习生的创作识别并提取图片有效信

07

深度学习2017成果展

来源：Statsbot 编译：Bing 编者按：圣诞节前夕，数据公司Statsbot对过去一年（也许更久）深度学习领域的成果做了总结，全文共分为6部分，分别是文本、语音、计算机视觉、GAN、强化学习、新闻、投资。以下是论智对原文的编译，让我们看看深度学习2017年的成绩如何。文本 1.1 谷歌神经机器翻译去年9月，谷歌发布了新一代机器翻译模型，并详细介绍了该网络的架构——循环神经网络（RNN）。最终，该模型在翻译的准确度上与人类缩小了55%~85%的差距（由人类打分，满分为6）。如果没有谷歌庞大的

05

微信 OCR（2）：深度序列学习助力文字识别

本文主要介绍了深度序列学习在OCR中的应用，包括CRNN、EDA、Encoder-Decoder、Attention模型等。这些模型在OCR领域取得了显著的成果，可以用于端到端的文本识别。其中，CRNN模型在文本识别任务上表现尤为突出，可以处理不同大小、字体、颜色的文本，并且不需要文本框标注。在实践中，使用Attention OCR模型可以更好地处理含有多个背景干扰的文本，并且可以适应不同排版和字体大小的文本，真正实现了端到端的文本识别。然而，该方法仍存在一些局限性，如识别结果字符内容可能乱序，以及不适用于文字内容较多的图片等。

05

华为诺亚开源首个亿级中文多模态数据集-悟空，填补中文NLP社区一大空白

选自arXiv作者：Jiaxi Gu等机器之心编译编辑：Juniper 华为诺亚方舟实验室的研究者提出了一个大规模的中文的跨模态数据库 ——「悟空」，并在此基础上对不同的多模态预训练模型进行基准测试，有助于中文的视觉语言预训练算法开发和发展。在大数据上预训练大规模模型，对下游任务进行微调，已经成为人工智能系统的新兴范式。BERT 和 GPT 等模型在 NLP 社区中越来越受欢迎，因为它们对广泛的下游任务甚至零样本学习任务具有很高的可迁移性，从而产生了 SOTA 性能。最近的工作，如 CLIP、ALIGN

03

超算跑模型｜ CLIP 图像文本多模态学习

实验｜Aircloud 算力支持｜幻方AIHPC CLIP(Contrastive Language-Image Pre-Training，以下简称 CLIP) 模型是 OpenAI 在 2021 年初发布的用于匹配图像和文本的预训练神经网络模型，可以说是近年来在多模态研究领域的经典之作。该模型直接使用大量的互联网数据进行预训练，在很多任务表现上达到了目前最佳表现（SOTA）💯。本次我们尝试使用 Google 开源的 Conceptual Captions 数据集来训练 CLIP 模型，并对

02

ImageNet零样本准确率首次超过80%，地表最强开源CLIP模型更新

---- 新智元报道编辑：LRS 【新智元导读】开源模型OpenCLIP达成ImageNet里程碑成就！ ‍ ‍ 虽然ImageNet早已完成历史使命，但其在计算机视觉领域仍然是一个关键的数据集。 2016年，在ImageNet上训练后的分类模型，sota准确率仍然还不到80%；时至今日，仅靠大规模预训练模型的zero-shot泛化就能达到80.1%的准确率。最近LAION使用开源代码OpenCLIP框架训练了一个全新的 ViT-G/14 CLIP 模型，在 ImageNet数据集上，原版O

05

ImageNet零样本准确率首次超过80%，地表最强开源CLIP模型更新

虽然ImageNet早已完成历史使命，但其在计算机视觉领域仍然是一个关键的数据集。

03

盘点深度学习一年来在文本、语音和视觉等方向的进展，看强化学习如何无往而不利

【AI科技大本营导读】AlphaZero自学成才，机器人Atlas苦练后空翻……2017年，人工智能所取得的新进展真是让人应接不暇。而所有的这些进展，都离不开深度学习一年来在底层研究和技术开发上的新突破。圣诞节前后，Statsbot的数据科学家Ed Tyantov专门评估了深度学习这一年在文本、语音和视觉等方向的各项研究成果，并进一步试图总结出一些可能影响未来的全新趋势。具体都是些什么呢？我们来看文章。作者 | Eduard Tyantov 翻译 | 林椿眄文本 Google神经网络翻译机器大约

05

2017年你错过了哪些AI圈大事？最全盘点，值得收藏！

大数据文摘作品编译：彭湘伟、吕征达、小明同学、林海、Yawei Xia 假设你在2017年昏睡了一年，忽然惊醒的时候，想要了解这个世界在今年有哪些最值得骄傲的成就，这篇文章值得你花几十分钟读一读。这一年，谷歌发布了Google Translate的新模型，并详细描述了网络结构——循环神经网络。Facebook的聊天机器人，因为失控创造了自己的语言被关闭。DeepMind 的研究员在他们的文章中展示了如何生成语音。一个已经成功超越人类的深度学习成就叫做唇语识别。本文将带你浏览2017年几乎所有最有意义

07

广告行业中那些趣事系列55：文本和图像领域大一统的UNIMO模型详解

摘要：本篇主要介绍了百度在多模态学习领域的成果UNIMO模型。首先是背景介绍，针对当前主流多模态学习模型存在训练语料少和模态缺失导致模型效果下降的问题，百度提出了UNIMO统一学习模型；然后重点介绍了UNIMO模型，主要包括UNIMO如何解决训练数据稀少和模态缺失问题、UNIMO模型输入、跨模态对比学习的UNIMO、UNIMO中视觉学习和文本学习以及UNIMO模型效果；最后介绍了UNIMO开源项目工程。对多模态学习感兴趣并且希望应用到项目实践的小伙伴可能有所帮助。

05

过半作者是华人！Google Research全新图像表征模型ALIGN霸榜ImageNet

神经网络实际上就是在学习一种表示，在CV领域，良好的视觉和视觉语言（vision and vision-language）表征对于解决计算机视觉问题(图像检索、图像分类、视频理解)至关重要，并且可以帮助人们解决日常生活中的难题。

02

VOC数据集解析 VOC2007解析

官网：http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html

05

AI绘画中CLIP文本-图像预训练模型

OpenAI 在 2021 年提出了 CLIP（Contrastive Language–Image Pretraining）算法，这是一个先进的机器学习模型，旨在理解和解释图像和文本之间的关系。CLIP 的核心思想是通过大规模的图像和文本对进行训练，学习图像内容与自然语言描述之间的对应关系。这种方法使得模型能够在没有特定任务训练的情况下，对广泛的视觉概念进行理解和分类。

01

机器学习-11-基于多模态特征融合的图像文本检索

本系列是机器学习课程的系列课程，主要介绍机器学习中图像文本检索技术。此技术把自然语言处理和图像处理进行了融合。

02

CVPR 2023｜哈工大南洋理工提出全球首个「多模态DeepFake检测定位」模型：让AIGC伪造无处可藏

---- 新智元报道编辑：好困【新智元导读】为了应对多模态假新闻，本文提出检测并定位多模态媒体篡改任务（DGM）。与现有的单模态DeepFake检测任务相比，DGM不仅判断输入图像-文本对的真假，也尝试定位篡改内容（例如图像篡改区域和文本篡改单词）。由于如Stable Diffusion等视觉生成模型的快速发展，高保真度的人脸图片可以自动化地伪造，制造越来越严重的DeepFake问题。随着如ChatGPT等大型语言模型的出现，大量假本文也可以容易地生成并恶意地传播虚假信息。为此，一系列单

01

GPT-4生图未解禁？CMU华人博士新作，大模型GILL能生图能检索，人人可玩

论文地址：https://arxiv.org/pdf/2305.17216.pdf

02

赠书 | 新手指南——如何通过HuggingFace Transformer整合表格数据

不可否认，Transformer-based模型彻底改变了处理非结构化文本数据的游戏规则。截至2020年9月，在通用语言理解评估（General Language Understanding Evaluation，GLUE）基准测试中表现最好的模型全部都是BERT transformer-based 模型。如今，我们常常会遇到这样的情形：我们手中有了表格特征信息和非结构化文本数据，然后发现，如果将这些表格数据应用到模型中的话，可以进一步提高模型性能。因此，我们就着手构建了一个工具包，以方便后来的人可以轻松实现同样的操作。

02

BERT新转变：面向视觉基础进行预训练！

ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks

01

跨语言的多模态、多任务检索模型 MURAL 解读

通常，从一种语言到另一种语言没有直接的一对一翻译。即使有这样的翻译，它们也不一定准确，对于非母语人士来说，不同的联想和内涵很容易丢失。但是，在这种情况下，如果是基于可视化的实例，其含义可能会更为清晰。

03

Stable Diffusion简介

Stable Diffusion 是一种用于图像生成的人工智能技术。它可以根据文本描述生成相应的图像。

02

腾讯&上交&浙大提出PyramidCLIP，进行层次内语义对齐和跨层次关系对齐，Zero-Shot效果优于CLIP！

本篇文章分享论文『PyramidCLIP: Hierarchical Feature Alignment for Vision-language Model Pretraining』，由腾讯&上交&浙大（沈春华）提出PyramidCLIP，进行层次内语义对齐和跨层次关系对齐，ImageNet上Zero-Shot效果优于CLIP！

01

《CLIP2Video》-腾讯PCG提出CLIP2Video，基于CLIP解决视频文本检索问题，性能SOTA！代码已开源！

在本文中，作者提出了CLIP2Video网络，以端到端的方式将图像语言预训练模型转换为视频文本检索模型。视频和语言学习领域的主流方法试图从大规模视频文本数据集中提取时空视频特征以及视频和语言之间的多模态交互。

04

文档字越多，模型越兴奋！KOSMOS-2.5：阅读「文本密集图像」的多模态大语言模型

当前一个显著的趋势是致力于构建更大更复杂的模型，它们拥有数百/数千亿个参数，能够生成令人印象深刻的语言输出。

04

VL-Trojan：针对多模态模型的后门攻击

视觉语言模型（Visual Language Models，VLMs）在图像和自然语言两种模态数据上进行学习，能够理解与解释图像、文本间的关联，常被用于目标检测、语义分割等视觉识别任务。随着视觉识别范式的发展，自回归视觉语言模型（如Flamingo）将预训练的视觉编码器与大语言模型（LLM）结合，增强了少样本学习能力，在视觉识别任务上取得了更好的性能，同时降低了对标注数据的依赖，。

01

打破单模态局限，LoRS在多模态数据提炼上的突破！

数据集蒸馏能够在保留其基本信息和模型训练性能的同时，合成一个更小且更紧凑的数据集。由于它具有很高的压缩比，在机器学习和大规模模型数据的背景下尤其值得关注。然而，当前的算法在图像领域的应用受到限制，很少有研究涉及到其他单一模态的数据，如文本（Li和Li，2021年）、视频（Wang等人，2023年）或图形数据（Xu等人，2023b年）。随着视觉-语言预训练模型（VLP）和多模态大型语言模型（MLLM）（Li等人，2023年；Liu等人，2023a年）变得占主导地位，作者将注意力转向配对的图像-文本数据。

01

开启智能时代：深度解析智能文档分析技术的前沿与应用

本章主要介绍文档分析技术的理论知识，包括背景介绍、算法分类和对应思路。通过本文学习，你可以掌握：1. 版面分析的分类和典型思想 2. 表格识别的分类和典型思想 3. 信息提取的分类和典型思想。

01

万字深度好文！VL最强总结！

点击机器学习算法与Python学习，选择加星标精彩内容不迷路本文转自AI科技评论本文对视觉-语言（VL）智能按时间顺序进行了全面调研，并将这一领域的发展总结为三个阶段：第一个阶段是2014-2018年，其间，专门的模型被设计用于不同的任务。第二个时代是2019-2021年，在此期间，通过使用有着高质量标签的VL数据集进行预训练，神经网络模型能够学习视觉和语言的联合表征。最后，随着2021年CLIP的出现，第三个时代开始了，此时研究人员寻求在更大的弱标签数据集上预训练VL模型，并通过VL预

03

万字深度好文！视觉-语言（VL）智能：任务、表征学习和大型模型

编译丨Jocelyn 编辑丨陈彩娴本文对视觉-语言（VL）智能按时间顺序进行了全面调研，并将这一领域的发展总结为三个阶段：第一个阶段是2014-2018年，其间，专门的模型被设计用于不同的任务。第二个时代是2019-2021年，在此期间，通过使用有着高质量标签的VL数据集进行预训练，神经网络模型能够学习视觉和语言的联合表征。最后，随着2021年CLIP的出现，第三个时代开始了，此时研究人员寻求在更大的弱标签数据集上预训练VL模型，并通过VL预训练获得性能强大的基于零样本或少样本的视觉模型。我们相信这

01

SimVLM：拒绝各种花里胡哨！CMU&Google提出弱监督极简VLP模型，在多个多模态任务上性能SOTA

随着视觉和文本表示联合建模的进展，视觉语言预训练(VLP)在许多多模态下游任务上取得了非常好的性能。然而，对包括图像描述和区域标签在内的标注信息，限制了这一方向的进一步方法。此外。随着引入多个数据集特定的目标，预训练过程也变得更加复杂。在这项工作中，作者放宽了这些约束，提出了一个极简的预训练框架，名为Simple Visual Language Model (SimVLM)。

03

使用Keras构建深度图像搜索引擎

作者 | Youness Mansar 编译 | VK 来源 | Towards DataScience 动机想象一下，如果有数十万到数百万张图像的数据集，却没有描述每张图像内容的元数据。我们如何建

01

厦门大学首发多模态阅读理解新任务：图文深度融合数据集VEGA

多模态大型语言模型（MLLMs）的高速发展彰显了其在处理图文信息方面的强大潜力。然而，目前的多模态模型和方法主要集中于处理基础视觉问答（VQA）任务，这些任务通常只涉及与问题强相关的有限图片和文本信息。在实际应用中，尤其是文档理解领域，模型经常需要处理更为复杂的图文混合输入，这些输入不仅长度更长，而且可能包含冗余甚至误导性的信息。现有的主流MLLMs在处理此类复杂任务时表现不佳，且缺乏相应的Benchmark来评估模型在这些任务上的性能。

01

每日学术速递4.13(全新改版)

作者：Francesco Ballerini, Pierluigi Zama Ramirez, Roberto Mirabella, Samuele Salti, Luigi Di Stefano

01

万字深度好文！视觉-语言（VL）智能：任务、表征学习和大型模型

大数据文摘授权转载自AI科技评论编译：Jocelyn 编辑：陈彩娴本文对视觉-语言（VL）智能按时间顺序进行了全面调研，并将这一领域的发展总结为三个阶段：第一个阶段是2014-2018年，其间，专门的模型被设计用于不同的任务。第二个时代是2019-2021年，在此期间，通过使用有着高质量标签的VL数据集进行预训练，神经网络模型能够学习视觉和语言的联合表征。最后，随着2021年CLIP的出现，第三个时代开始了，此时研究人员寻求在更大的弱标签数据集上预训练VL模型，并通过VL预训练获得性能强大的基于零样

02

多模态应用之自然语言处理

多模态融合是多模态信息处理的核心问题。本文介绍 NLP 领域关注度较高的多模态应用和相关的数据集。

05

AI识图驴唇不对马嘴？Google AI：利用交错训练集提升图像描述准确性

如果一张图片可以用一千个单词描述，那么图片中所能被描绘的对象之间便有如此多的细节和关系。我们可以描述狗皮毛的质地，要被追逐的飞盘上的商标，刚刚扔过飞盘的人脸上的表情，等等。

04

OpenAI CLIP 论文解读

模型架构分为两部分，图像编码器和文本编码器，图像编码器可以是比如 resnet50，然后文本编码器可以是 transformer。

05

文生图的基石CLIP模型的发展综述

CLIP的英文全称是Contrastive Language-Image Pre-training，即一种基于对比文本-图像对的预训练方法或者模型。CLIP是一种基于对比学习的多模态模型，CLIP的训练数据是文本-图像对：一张图像和它对应的文本描述，这里希望通过对比学习，模型能够学习到文本-图像对的匹配关系。

01

图本检索的Zero-Shot超过CLIP模型！FILIP用细粒度的后期交互获得更好的预训练效率。

无监督的大规模视觉语言预训练在各种下游任务上显示出不错的进步。现有方法通常通过每个模态的全局特征的相似性来模拟跨模态交互，或者通过视觉和文本token的交叉/自注意力来模拟细粒度交互。然而，交叉/自注意力在训练和推理方面的效率较低。

01

哈工大提出 CoCoLe：从视觉概念到语言提示，VLMs 微调技术在少样本设置中的突破！

预训练的视觉-语言模型（VLMs），例如CLIP [26]和ALIGN [15]，在各种下游任务中已经取得了卓越的零样本性能。这些模型在大规模图像-文本数据集上通过对比优化目标进行训练，有效地将不同模态对齐并嵌入到一个共享的向量空间中。尽管它们的性能令人印象深刻，但由于其庞大的体积，将这些模型适应到多样化的下游任务仍然具有挑战性。因此，近期的研究集中在了通过在保持基础模型不变的同时调整附加参数来改进预训练VLMs的下游任务适应能力。例如，提示调优方法，如CoOp [42]和ProGrad [43]，用可学习的提示替代手动提示以获得特定任务的知识，而基于 Adapter 的方法直接在VLMs顶部利用额外的模块，如Clip-adapter [9]和Tip-adapter [38]。这些方法在有限标注数据下取得了显著进展。

01

通用文档理解新SOTA，多模态大模型TextMonkey来了

最近，华中科技大学和金山的研究人员在多模态大模型 Monkey [1]（Li et al., CVPR2024）工作的基础上提出 TextMonkey。在多个场景文本和文档的测试基准中，TextMonkey 处于国际领先地位，有潜力带来办公自动化、智慧教育、智慧金融等行业应用领域的技术变革。

01

2021-Arxiv-Learning Transferable Visual Models From Natural Language Supervision

这篇文章[1]的主要想法是，对自然语言特征和图像特征进行对比学习，训练得到对应的文本和图像编码器，然后使用预训练好的成对的编码器去做各种各样的下游任务。以图像分类任务为例：

05

BLIP：用更干净更多样的数据进行多模态预训练，性能超越CLIP！代码已开源！

视觉语言预训练 (VLP) 提高了许多视觉语言任务的性能。但是，大多数现有的预训练模型仅在基于理解的任务或基于生成的任务中表现出色。此外，通过使用从web收集的嘈杂的图像-文本对来扩展数据集，在很大程度上实现了性能改进，但这是监督的次优来源。

03

参数减半、与CLIP一样好，视觉Transformer从像素入手实现图像文本统一

机器之心编译编辑：袁铭怿 CLIPPO 是一种统一的模型，用单个编码器和对比损失来执行图像、文本和多模态任务，优于传统的 NLP 基线和之前基于像素的掩码语言模型。近年来，基于 Transformer 的大规模多模态训练促成了不同领域最新技术的改进，包括视觉、语言和音频。特别是在计算机视觉和图像语言理解方面，单个预训练大模型可以优于特定任务的专家模型。然而，大型多模态模型通常使用模态或特定于数据集的编码器和解码器，并相应地导致涉及的协议。例如，此类模型通常涉及在各自的数据集上对模型的不同部分进行不同阶

02

XMC-GAN：从文本到图像的跨模态对比学习

文 / Han Zhang, Research Scientist and Jing Yu Koh, Software Engineer, Google Research

01

中科院提出：视觉-语言预训练(VLP)综述，了解多模态最新进展！

让机器做出与人类相似的反应一直是 AI 研究不懈追求的目标。为了让机器具有感知和思考的能力，研究人员进行了一系列相关研究，如人脸识别、阅读理解和人机对话，通过这些任务训练和评估机器在特定方面的智能。一般来讲，领域专家通过手工构建标准数据集，然后在这些数据集上训练和评估相关模型。然而，由于相关技术的限制，训练模型往往需要大量的标注数据，以获得更好、更强大的模型。

02

Meta生成式AI连放大招：视频生成超越Gen-2，动图表情包随心定制

提到视频生成，很多人首先想到的可能是 Gen-2、Pika Labs。但刚刚，Meta 宣布，他们的视频生成效果超过了这两家，而且编辑起来还更加灵活。

01

自然场景文本检测识别技术综述

白蛇: 白纸黑字的扫描文档识别技术已经很成熟，而自然场景图像文本识别的效果还不理想。倾斜字、艺术字、变形字、模糊字、形似字、残缺字、光影遮蔽、多语言混合文本等应用落地面临的技术难题还没被彻底解决。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭