深度学习

Grounding DINO开集物体检测

DINO

DETR基于Transformer的目标检测

InstructBLIP：可指令调教的通用图像语言模型

图像模型正在追随大语言模型的设计路径

BLIP-2：连接图像与大语言模型的桥梁

为大语言模型LLM开启图像模态输入

BLIP：打破视觉与语言的次元壁

不仅能看，还能说

Segment Anything分割一切的启发式模型

空间域的理解也可以通过基础模型+提示解决吗？