【技术新趋势】面向图像文档的版面智能分析与理解
在OCR系统中，纸质文档被相机拍摄成文档图像后，首先要进行版面分析、版面理解，之后才能正式数字化为电子文档。本篇文章将关注面向文档图像的版面分析与理解方向，并讨论这些任务的目前的优秀技术和方法。
【AAAI 2024】MuLTI：高效视频与语言理解
多模态理解模型具有广泛的应用，比如多标签分类、视频问答（videoQA）和文本视频检索等。现有的方法已经在视频和语言理解方面取得了重大进展，然而，他们仍然面临两个巨大的挑战：无法充分的利用现有的特征；训练时巨大的GPU内存消耗。我们提出了MuLTI，这是一种高度准确高效的视频和语言理解模型，可以实现高效有效的特征融合和对下游任务的快速适应。本文详细介绍基于MuLTI实现高效视频与语言理解。