检测一切！Visual Prompting：视觉提示扩展检测模型能力

点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达

点击进入—>【目标检测和多模态】交流群

添加微信：CVer5555，小助手会拉你进群！

扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！

宣传一下最近我们 做的几个工作，集中在通过视觉提示(visual prompt)来扩展检测模型的能力，例如open-set和counting的English。code/demo/API都已经可用！

DINOv:

论文：arxiv.org/pdf/2311.13601

主页：github.com/UX-Decoder/DINOv

T-Rex：

论文：arxiv.org/abs/2311.13596

主页：github.com/IDEA-Research/T-Rex

T-Rex2: 

论文：arxiv.org/pdf/2403.14610

主页：deepdataspace.com/playground/ivp

DINOv

大型语言模型（LLMs）中的上下文提示(in-context prompting) 已成为提高模型能力的方法，但在视觉领域，这个想法被探索得较少。现有的视觉提示方法专注于refering segmentation来分割最相关的对象，未能解决许多通用视觉任务，如open-set分割和检测

DINOv探索的是通过visual prompt来实现visual in-context learning，例如要检测一个新的物体或者某些难以描述的物体，只需要给模型几个样例，模型就可以在target image里面把想要的物体都检测出来。

T-Rex

T-Rex探索的是通过visual prompt来解决counting问题。counting问题往往比较密集且物体不太好用文本描述，把counting问题转化为检测问题并通过visual prompt能更加高效地处理counting问题。

T-Rex

T-Rex2则进一步把visual prompt和text prompt融合到一个模型里面，进一步提升检测能力。

T-Rex2接受多种格式的输入，包括文本提示、视觉提示以及两者的组合，因此它可以通过在两种提示模式之间切换来处理不同的场景。我们的实验表明，T-Rex2在各种场景下展现出出色的zero-shot目标检测能力。我们展示了文本提示和视觉提示可以在协同作用中相互受益，这对于覆盖大规模且复杂的实际场景至关重要。

欢迎关注！

在CVer公众号后台回复：检测一切，即可下载上面论文和代码，感觉学起来！

何恺明在MIT授课的课件PPT下载

在CVer公众号后台回复：何恺明，即可下载本课程的所有566页课件PPT！赶紧学起来！

CVPR 2024 论文和代码下载

在CVer公众号后台回复：CVPR2024，即可下载CVPR 2024论文和代码开源的论文合集

多模态和目标检测交流群成立

扫描下方二维码，或者添加微信：CVer5555，即可添加CVer小助手微信，便可申请加入CVer-多模态和目标检测微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer、NeRF等。
一定要备注：研究方向+地点+学校/公司+昵称（如多模态或者目标检测+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群

▲扫码或加微信号: CVer5555，进交流群
CVer计算机视觉（知识星球）来了！想要了解最新最快最好的CV/DL/AI论文速递、优质实战项目、AI行业前沿、从入门到精通学习教程等资料，欢迎扫描下方二维码，加入CVer计算机视觉（知识星球），已汇集近万人！

▲扫码加入星球学习

▲点击上方卡片，关注CVer公众号
整理不易，请点赞和在看