深度学习之图像描述生成
基于深度学习的图像描述生成（Image Captioning）是一种将计算机视觉与自然语言处理结合的任务，其目标是通过自动生成自然语言来描述输入的图像。该技术能够理解图像中的视觉内容，并生成相应的文本描述，广泛应用于视觉问答、辅助盲人、自动视频字幕生成等领域。
VLM集体失明？视力测试惨败，GPT-4o、Claude 3.5全都不及格
【8月更文挑战第2天】新研究表明，顶尖视觉语言模型（VLMs）如GPT-4o和Claude 3.5，在看似简单的视觉任务上表现堪忧，诸如判断圆圈是否重叠或线条是否交叉等。此发现揭示了即便是在图像理解方面表现出色的VLMs也存在基本视觉认知的局限性，提示模型融合视觉信息的方式有待改进。论文详细探讨了可能的原因及未来提升方向。[@arxiv:2407.06581]
这些VLM竟都是盲人？GPT-4o、Sonnet-3.5相继败于视力测试
【7月更文挑战第28天】新研究表明VLM在简单视觉任务上的局限性。论文《Vision language models are blind》指出, GPT-4o、Claude-3.5 Sonnet等顶级模型在如判断形状重叠或字母识别等基本任务上表现不佳。另一研究在CVPR'24上介绍了一个新框架, 利用TRUMANS数据集生成精细的人物动作, 包括手部运动, 显示出在复杂场景下的强大能力, 尽管仍面临一定的局限。[论文链接](https://arxiv.org/pdf/2407.06581) [TRUMANS](https://arxiv.org/pdf/2403.08629)
深度学习Deep Learning
深度学习算法的历史可以追溯到上世纪40年代，当时Warren McCulloch和Walter Pitts提出了第一个人工神经元模型，奠定了神经网络研究的基础。随后，Rosenblatt于1958年提出了感知机模型，引领了神经网络研究的新浪潮。然而，传统神经网络的局限性使其无法解决复杂的、非线性的问题，导致研究进展受限。