ECCV 2024 | 全新SOTA，人大、北邮等联合提出多模态分割新方法

文章预览

点击上方 “ 小白学视觉 ”，选择加" 星标 "或“ 置顶 ” 重磅干货，第一时间送达 ©作者 |  王耀霆 单位 |  中国人民大学 来源 |  量子位 PaperWeekly 让 AI 像人类一样借助多模态线索定位感兴趣的物体，有新招了！来自人大高瓴 GeWu-Lab、北邮、上海 AI Lab 等机构的研究人员提出 Ref-AVS（Refer and Segment Objects in Audio-Visual Scenes，视听场景下的指代分割），让 AI 能看、会听，更懂真实物理世界。相关论文已入选顶会 ECCV 2024。 论文标题： Ref-AVS: Refer and Segment Objects in Audio-Visual Scenes 论文链接： https://arxiv.org/abs/2407.10957 代码链接： https://gewu-lab.github.io/Ref-AVS/ 举个例子，在下面这张图中，机器如何准确定位真正在演奏乐器的人？ 搞单打独斗肯定不行，但这正是已有研究正在做的（各自从视觉、文本和音频线索的角度出发）： 视频对象分割（VOS，Video Object Segmen ………………………………