计算机视觉标签_火山引擎视频云技术社区

计算机视觉

香港城市大学突破性研究：让AI视频理解像侦探一样精准锁定目标

香港城市大学突破性研究：让AI视频理解像侦探一样精准锁定目标

 至顶头条
2025-09-30 17:14:09

 551

 18

#计算机视觉
CV论文速递: 覆盖医学影像分析、视频理解与生成、3D场景理解与定位等方向! (10.27-10.31)

本周精选12篇CV领域前沿论文，覆盖医学影像分析、视频理解与生成、3D场景理解与定位、视觉安全与实用场景应用等核心方向。全部200多篇论文感兴趣的自取。

CV实验室
2025-11-03 17:48:44

 1272

 8

#音视频 #3d #人工智能 +1
CV论文速递：覆盖视频理解与生成、跨模态与定位、医学与生物视觉、图像数据集等方向（11.03-11.07）

本周精选12篇CV领域前沿论文，覆盖视频理解与生成、跨模态与定位、医学与生物视觉、图像数据集与模型优化等方向。全部200多篇论文感兴趣的自取！

CV实验室
2025-11-10 16:15:20

 1135

 7

#音视频 #人工智能 #计算机视觉
ByteDance研究团队如何用轨迹场重新定义4D视频理解

ByteDance研究团队如何用轨迹场重新定义4D视频理解

 至顶AI实验室
2025-12-20 21:27:45

 714

 9

#人工智能 #计算机视觉
实时口罩检测-通用模型WebRTC视频流接入：浏览器端实时检测

本文介绍了如何在星图GPU平台上自动化部署“实时口罩检测-通用”镜像，并构建一个基于WebRTC的浏览器端实时检测应用。该方案利用DAMO-YOLO模型，可直接处理用户摄像头视频流，实现毫秒级的人脸口罩佩戴状态识别，适用于公共场所入口、实时监控等需要快速通行与健康管理的场景。

芝士校园
2026-03-20 03:58:33

 819

 17

#计算机视觉
AIGlasses_for_navigation实操手册：500MB本地视频上传→盲道检测→结果导出全链路

本文介绍了如何在星图GPU平台上自动化部署AIGlasses_for_navigation可穿戴智能设备镜像，实现本地大视频的盲道检测分析。用户可上传最大500MB的街道视频，系统将自动调用AI模型完成盲道识别与标记，并支持导出带分析结果的可视化视频与数据报告，为无障碍环境评估提供高效工具。

关然
2026-03-11 04:43:05

 743

 16

#计算机视觉
Chord视频理解工具技术解析：帧级特征提取与时序建模方法

本文介绍了如何在星图GPU平台上自动化部署Chord视频时空理解工具，实现高效的本地视频分析。该工具通过帧级特征提取和时序建模技术，能够自动生成视频内容描述或精确定位特定目标，广泛应用于视频内容分析、安防监控和媒体生产等场景。

满天乱走
2026-03-19 06:40:05

 582

 10

#计算机视觉
ResNet101人脸检测实战案例：电商直播截图中主播人脸自动裁剪与质量评估流程

本文介绍了如何在星图GPU平台上自动化部署👁️cv_resnet101_face-detection_cvpr22papermogface镜像，实现高效的人脸检测应用。该方案能自动处理电商直播截图，精准定位并裁剪主播人脸，进而完成人脸质量评估与筛选，为内容创作和数据分析提供高质量的素材来源。

NightshadeRaven21
2026-03-15 03:14:46

 870

 9

#计算机视觉
Youtu-VL-4B-Instruct效果展示：直播截图实时分析——人物身份+动作+场景+情绪四维输出

本文介绍了如何在星图GPU平台上自动化部署腾讯优图实验室开源的Youtu-VL-4B-Instruct-GGUF轻量级多模态指令模型。该模型能对直播截图进行实时、深度的多维度分析，典型应用场景包括自动识别主播身份、动作、场景布置与情绪状态，为直播内容审核与质量监控提供高效的AI解决方案。

CitrineLion90
2026-03-27 03:48:39

 417

 5

#计算机视觉
Ostrakon-VL-8B作品集：从商品识别到视频理解的12个零售落地截图

本文介绍了如何在星图GPU平台上自动化部署Ostrakon-VL-8B专为餐饮零售（FSRS）场景优化的开源多模态大模型。该模型能够“看懂”门店场景，实现商品识别、货架合规检查、库存盘点等核心功能。通过上传门店图片或视频，即可快速获得如“检查货架缺货情况”等自动化分析报告，显著提升零售运营效率与标准化水平。

凯二七
2026-03-28 03:23:44

 648

 16

#计算机视觉
SOONet部署安全加固：Gradio认证登录、API密钥控制、视频上传大小限制

本文介绍了如何在星图GPU平台上自动化部署SOONet镜像，这是一个基于自然语言输入的长视频片段时序定位模型。通过该平台，用户可以快速搭建安全的视频分析服务，实现通过文本描述在长视频中精准定位相关片段，适用于视频内容检索、媒体资产管理等场景。

PinkFlower67
2026-03-19 01:26:02

 673

 8

#自然语言处理 #计算机视觉
Chord视频理解工具一文详解：帧级时序分析+视觉定位双任务切换操作指南

本文介绍了如何在星图GPU平台上自动化部署Chord视频时空理解工具镜像。该工具基于Qwen2.5-VL架构，具备视频内容深度描述与指定目标时空定位双核心能力。用户可通过其Web界面，轻松实现对监控视频等内容的智能分析，例如快速定位特定目标出现的时间与位置，显著提升视频内容审查与检索效率。

想法臃肿
2026-03-06 02:55:19

 648

 7

#计算机视觉
DamoFD多场景实战案例：直播审核、证件照质检、虚拟形象驱动技术解析

本文介绍了如何在星图GPU平台上自动化部署DamoFD人脸检测关键点模型-0.5G镜像，快速实现人脸合规性审核。该轻量级模型支持直播实时风控、证件照自动质检及虚拟形象驱动等典型场景，尤其适用于需低延迟、高鲁棒性的边缘视觉感知任务。

战神哥
2026-01-30 00:08:11

 678

 24

#计算机视觉
Pi0开源可部署模型：支持WebRTC视频流直传的实时视觉动作闭环

本文介绍了如何在星图GPU平台自动化部署Pi0开源模型镜像，实现支持WebRTC视频流直传的实时视觉动作闭环。该镜像能够通过浏览器实时传输视频流，理解自然语言指令并生成精准的机器人动作控制，典型应用于工业自动化中的物体抓取与分拣任务，大幅降低机器人控制的技术门槛。

Kiki-2189
2026-04-01 03:54:23

 667

 11

#计算机视觉
5分钟搞懂视频摘要：从SEDIM到KCF，这些算法如何帮你快速浓缩监控录像？

本文深入解析视频摘要技术，特别是视频浓缩在安防监控中的核心应用。通过对比静态摘要与动态摘要，文章详细拆解了从背景建模、目标检测跟踪到轨迹优化合成的完整实战管线，并提供了基于YOLO和KCF等算法的代码示例与参数调优指南，旨在帮助从业者将冗长录像智能浓缩为精华片段，大幅提升信息处理效率。

yoga7
2026-02-20 04:53:30

 1037

 20

#目标跟踪 #计算机视觉
AIGlasses_for_navigation快速上手：图片/视频上传→实时分割→结果下载全流程

本文介绍了如何在星图GPU平台自动化部署AIGlasses_for_navigation镜像，实现图片和视频的实时目标分割。该镜像基于YOLO分割模型，可自动识别并标记盲道、人行横道等目标，适用于无障碍设施检测、智能导航系统开发等计算机视觉应用场景。

夏曦安
2026-02-28 00:16:17

 244

 3

#计算机视觉
基于SmartMediaKit实现Android平台RTMP直播推流——从协议规范到实战代码全解析

本文基于大牛直播SDK的Android Demo，详细介绍了RTMP直播推流的完整实现方案。主要内容包括：RTMP协议规范解析（握手流程、消息结构、FLV封装）、SDK架构设计（层叠加模式、线程安全机制）、关键实现步骤（摄像头采集、音频处理、水印叠加、动态分辨率切换）以及常见问题排查。特别强调了协议理解、方向处理、线程安全和生命周期管理等核心要点，为开发者提供了从协议到实践的完整指导，适合需要实现

 音视频牛哥
2026-02-25 10:52:36

 998

 21

#android #音视频 #计算机视觉
Chord视频理解工具效果展示：精准视觉定位与帧级描述惊艳案例

本文介绍了如何在星图GPU平台上自动化部署Chord视频时空理解工具，实现高效的视频智能分析。该工具能够对视频内容进行帧级详细描述，并精准定位特定目标（如“穿红色外套的人”）的时空坐标，适用于视频内容摘要、安防监控、智能剪辑等多种场景。

李姝瑶
2026-02-27 00:21:37

 421

 5

#计算机视觉
5分钟搞懂视频摘要算法：从SEDIM到KCF，手把手教你实现动态浓缩

本文深入解析视频动态摘要技术，对比SEDIM静态关键帧提取与Video Synopsis动态浓缩两种核心范式。重点剖析了动态视频摘要的实现链路，包括目标检测、KCF跟踪算法、轨迹调度优化与泊松融合合成，并提供了实战代码与工程化优化策略，帮助开发者快速掌握从算法原理到高效实现的完整过程。

motor
2026-02-24 00:13:45

 821

 22

#目标跟踪 #计算机视觉
视频理解与行为识别：3D卷积与双流网络的应用

从双流网络的“分而治之”到3D卷积的“端到端学习”，再到如今融合注意力与Transformer的“全面感知”，视频行为识别技术在短短十年间经历了飞跃式的发展。双流网络教会了我们如何显式地利用运动信息，3D卷积教会了我们如何隐式地学习时空特征。而今天的优秀模型，往往是在深刻理解这两种思想的基础上，进行巧妙的融合与创新。展望未来，随着硬件性能的提升和新架构的出现，机器对视频的理解能力将越来越接近人类。

jeffsonfu
2026-02-26 09:39:06

 977

 14

#3d #深度学习 #神经网络 +1
AIGlasses_for_navigation3步搭建高效导航环境：API配置→视频上传→语音测试

本文介绍了如何在星图GPU平台上自动化部署AIGlasses_for_navigation可穿戴智能设备镜像，快速搭建智能导航环境。通过配置API、上传视频测试及语音交互验证三个步骤，用户可体验该设备的核心功能，如通过摄像头识别盲道、红绿灯并进行实时语音导航，为视障人群或日常出行提供辅助。

Lrrrissss
2026-03-01 00:45:22

 439

 4

#计算机视觉
如何用Deformable 3D卷积提升视频超分辨率效果？D3DNet实战解析

本文深入解析了如何利用可变形3D卷积（Deformable 3D Convolution）提升视频超分辨率效果。通过剖析D3DNet的架构设计，详细阐述了其相较于传统3D卷积（C3D）在自适应运动建模上的优势，并提供了核心模块的代码实现、实战优化技巧及效果评估，为开发者高效利用时空信息、提升视频清晰度提供了关键指导。

隐层游民
2026-03-02 08:21:50

 883

 20

#计算机视觉
突破显存限制：修复 ComfyUI SeedVR2 视频超分 CUDA Out of Memory 报错实战

《突破显存限制：修复ComfyUI SeedVR2视频超分CUDA报错实战》摘要：针对ComfyUI SeedVR2视频超分时常见的CUDA显存溢出问题，本文提供了有效解决方案。通过分析发现，VAE解码阶段（而非采样阶段）是显存消耗的瓶颈。解决方法只需修改插件代码中的decode_tiled参数默认值为True，并适当调整分块尺寸（建议256），即可显著降低显存峰值（如从23.5GB降至14GB）

love530love
2026-03-03 03:00:00

 2529

 42

#计算机视觉 #python #人工智能
小白也能用的零售AI：Ostrakon-VL-8B快速入门，图片问答、视频理解轻松上手

本文介绍了如何在星图GPU平台上自动化部署Ostrakon-VL-8B专为餐饮零售（FSRS）场景优化的开源多模态大模型。该平台简化了部署流程，用户可快速启用该AI助手，其核心应用场景包括通过上传门店货架图片，自动完成商品识别、陈列合规检查与库存盘点，大幅提升零售运营效率。

Randy Rhoads
2026-03-03 01:43:12

 434

 4

#计算机视觉
视频直播平台如何快速接入一键美颜？美颜SDK开发指南

随着直播与短视频行业持续发展，一键美颜已经成为视频平台的基础能力。本文从技术实现与产品需求两个角度出发，详细介绍了视频直播平台接入美颜SDK的核心原理、功能模块以及完整开发流程，并分析了企业在选择美颜SDK时需要关注的关键因素。

美狐美颜SDK开放平台
2026-03-06 16:56:59

 388

 3

#音视频 #人工智能 #网络 +1
AIGlasses_for_navigation作品分享：本地视频上传实现盲道连续帧跟踪效果

本文介绍了如何在星图GPU平台上自动化部署AIGlasses_for_navigation可穿戴智能设备镜像，实现AI视觉导航功能。用户可通过上传本地视频，快速体验该镜像的核心能力——对盲道进行连续帧识别与跟踪，并生成实时的方向指引，为无障碍导航方案的开发与测试提供了便捷的沙盒环境。

任我心意
2026-03-10 00:55:13

 82

 1

#计算机视觉
cv_resnet101_face-detection_cvpr22papermogface实战效果：会议直播截图中实时人脸检测+计数浮动显示

本文介绍了如何在星图GPU平台上一键自动化部署cv_resnet101_face-detection_cvpr22papermogface镜像，实现高精度人脸检测。该镜像适用于会议直播截图中的实时人脸检测与计数，可快速统计参会人数，并在本地安全运行，保障隐私。

項羽Sama
2026-03-16 00:25:54

 204

 7

#计算机视觉
Chord视频理解工具语义鲁棒性：对‘奔跑的小孩’‘正在跑步的儿童’等同义表达泛化识别

本文介绍了在星图GPU平台上自动化部署Chord视频时空理解工具的方法，并探讨了其语义鲁棒性。该工具能够精准理解如‘奔跑的小孩’、‘正在跑步的儿童’等同义表达，并实现对视频中目标的时空定位，典型应用于智能视频内容分析与检索场景。

未知方程无解
2026-04-02 04:38:06

 1050

 20

#计算机视觉
SAM 3视频分割教程：基于SAM 3的视频摘要生成——关键帧对象聚合分析

本文介绍了如何在星图GPU平台上自动化部署SAM 3图像和视频识别分割镜像，实现视频内容的智能分析。通过该技术，用户可快速对视频进行关键帧对象聚合分析，自动识别并追踪如人物、物品等核心元素，从而高效生成视频摘要，适用于内容创作、教学分析等场景。

张阿拉撕裤
2026-04-18 04:06:54

 627

 26

#计算机视觉
从2019年冠军模型EDVR入手，聊聊视频超分里的‘对齐’与‘融合’到底有多重要

本文深入解析2019年NTIRE超分挑战赛冠军模型EDVR，重点探讨视频超分技术中'对齐'与'融合'的关键作用。EDVR通过创新的金字塔级联可变形卷积（PCD）和时空注意力（TSA）机制，有效解决大运动场景下的对齐难题和多帧信息融合困境，在REDS数据集上PSNR指标领先传统方法2dB以上，为视频超分领域树立了新标杆。

赵阿Q
2026-04-21 10:58:40

 291

 4

#计算机视觉
视频超分老将EDVR深度解析：PCD对齐与TSA融合如何解决大运动与模糊难题？

本文深入解析EDVR视频超分技术的核心创新PCD对齐与TSA融合机制，揭示其如何突破大运动场景下的对齐难题和模糊帧的有效融合问题。通过金字塔级联可变形卷积和时空注意力机制，EDVR在REDS数据集上PSNR指标提升0.8dB以上，为视频重建质量带来质的飞跃。

weixin_33688840
2026-04-22 02:35:31

 388

 7

#深度学习 #计算机视觉
Ego2Web基准：第一视角视频理解在网页交互中的应用

计算机视觉中的第一视角视频理解技术通过模拟人类视觉感知，为智能系统提供环境交互能力。其核心原理在于融合时空特征提取与注意力机制，实现视觉-行为对齐。在网页自动化领域，该技术能有效解决传统DOM-based方法的局限性，特别是在处理动态内容和跨平台适配时展现出显著优势。Ego2Web基准作为评估框架，包含3200小时标注视频数据，覆盖多浏览器、多设备场景，通过分层评估体系衡量智能体的视觉理解、操作逻

 Aelius Censorius
2026-04-29 15:32:24

 364

 7

#计算机视觉
OneThinker：统一图像与视频理解的动态时空注意力模型

计算机视觉中的多模态理解一直是技术难点，传统方案需要为图像和视频分别训练独立模型，导致资源浪费和知识割裂。动态时空注意力机制通过门控控制的空间/时间分支切换，实现了单一模型处理两种模态数据的能力。这种架构在参数利用率提升40%的同时，将视频处理速度提高3倍，特别适合工业质检、智能监控等需要实时分析混合数据流的场景。结合跨模态知识蒸馏技术，模型在UCF101动作识别任务中准确率提升12.8%，验证了

 贴娘饭
2026-05-03 09:41:57

 530

 9

#计算机视觉
视频理解中的记忆机制：原理、优化与应用实践

记忆机制是提升视频理解性能的关键技术，通过模拟人类记忆过程解决长视频序列中的信息保持问题。其核心原理包含动态更新的记忆单元和分层存储策略，采用注意力机制实现高效检索。在计算机视觉领域，该技术能有效改善动作识别、视频问答等任务中长期依赖关系的建模，尤其在监控安防、工业质检等场景展现显著价值。典型的实现方案如STMM模块通过时空特征存储与门控更新机制，在UCF101等数据集上取得4%以上的准确率提升。

Diane Lockhart
2026-05-06 14:31:24

 357

 9

#计算机视觉
视频理解中的稀疏注意力机制优化实践

稀疏注意力机制是计算机视觉中处理长序列数据的重要技术，其核心原理是通过动态选择关键区域来降低计算复杂度。该技术通过候选选择器和重要性评估器实现高效的特征筛选，在视频理解任务中能显著减少显存占用和计算量。工程实践中，稀疏注意力常与混合精度训练、硬件适配策略结合，在动作识别、视频描述生成等场景展现优势。本文以手术视频分析为例，详解如何通过渐进式稀疏模式和时序一致性损失，在保持模型性能的同时实现3倍以上

 王饮刀
2026-05-06 15:57:05

 325

 4

#计算机视觉