- 综合排序
- 最热优先
- 最新优先
- 来自专栏个人博客
DINO-v2笔记 - plus studio
DINO-v2笔记 DINO-v2一种无监督学习的预训练方法，可以生成具有强大泛化能力的视觉特征，适用于各种图像分布和任务，而无需进行微调。 Sinkhorn-Knopp centering 这是一种替代DINO和iBot模型中的teacher softmax-centering步骤的方法，即使用SwAV模型的Sinkhorn-Knopp（SK
1.4K10编辑于 2024-02-29 - 来自专栏AI智韵
DINO-R1：激励推理能力的视觉基础模型
在Grounding-DINO的基础上，我们训练了一系列DINO-R1家族模型，这些模型集成了视觉提示编码器和视觉引导的查询选择机制。 我们开发了VIS-G-DINO，这是一个基于视觉提示的VFMs（如DINO）的RL训练框架，并将使用GRQO训练得到的检测器定义为DINO-R1。 总体损失为： 3.2 VIS - G - DINO 我们将 Grounding DINO 扩展以支持视觉提示，并将得到的模型称为 VIS - G - DINO。 如表1所示，DINO-R1在COCO和LVIS数据集上始终表现出更好的泛化能力。在COCO上，与SFT相比，DINO-R1-T将mAP提高了+4.1 。 基于Grounding DINO构建，DINO-R1通过从稀疏的实例级监督转向密集的分组感知优化，重新思考了如何训练目标查询。
55500编辑于 2025-06-20 - 来自专栏深度学习和计算机视觉
从零开始构建DINO模型与PyTorch：自监督视觉transformer
DINO模型 DINO（无标签蒸馏）模型是一种应用于视觉变换器（ViTs）的尖端自监督学习方法。它代表了计算机视觉领域的一个重大进步，使模型能够在不需要任何标记数据的情况下学习有效的图像表示。 训练DINO模型： 阐明DINO伪代码的图像，取自官方论文 有3个重要的步骤需要强调： 1. 获取学生和教师架构的不同输入（x1，x2）的增强。 2. Dino模型进一步需要如下调用 device = 'cuda' if torch.cuda.is_available() else 'cpu' dino = DINO(ViT(), ViT(), device def train_dino(dino: DINO, data_loader: DataLoader, optimizer: Optimizer 就这样，这就是如何从零开始训练DINO模型。到目前为止，在视觉变换器系列中，我们已经实现了标准的ViT、Swin、CvT、Mae和DINO（自监督）。希望你喜欢阅读这篇文章。
1.8K10编辑于 2024-11-14 - 来自专栏贾志刚-OpenCV学堂
DCS：DINO-CLIP-SAM组合的零样本异常检测王炸
关键改进 DCS框架整合了Grounding DINO、CLIP和SAM三个基础模型，提出三项关键改进 1. BPPC：框点提示组合器 框提示：Grounding DINO生成候选框，经CLIP异常图筛选校准 正点提示：从异常高响应区域代表性采样 负点提示：从异常区域周边环状区域挖掘边界感知的负样本 三者组合输入 但是 串联Grounding DINO、CLIP、SAM三个大模型，不适合实时场景。 计算开销大，主要瓶颈在Grounding DINO的候选框生成和SAM ViT-H的掩码解码。 同时方法基于CLIP、SAM、DINO预训练模型的基础能力，三者任一短板都会影响整体。
19310编辑于 2026-06-01 - 来自专栏DrugOne
智能饮食：通过基于Grounding DINO的膳食辅助应用程序推进健康信息学
应用程序使用Grounding DINO模型来提高食物识别的准确性，而无需依赖标记数据集，使其适用于多种食物类型。 应用程序使用Grounding DINO模型来提高食物识别的准确性，而无需依赖标记数据集，使其适用于多种食物类型。 文章还提到该应用程序的系统架构，包括使用Firebase Authentication进行安全登录，Python和Django作为后端处理，TensorFlow用于机器学习任务，特别是使用Grounding DINO • 先进食物识别：使用Grounding DINO模型提高食物识别准确性，无需标记数据集。 • 数据安全与隐私：采用PostgreSQL数据库和AES加密，确保数据完整性和用户隐私。 05、 参考文献 Eating Smart: Advancing Health Informatics with the Grounding DINO-based Dietary Assistant App
53410编辑于 2024-12-09 突破边界：探索Grounding-DINO，重新定义视觉与语言的交汇
表2中对Grounding DINO、GLIP和DINO模型进行比较的实验结果的总结。 Grounding DINO在零样本迁移上超越了所有之前的模型，比DINO和GLIP分别提高了0.5个AP和1.8个AP。 在COCO minival评估中，Grounding DINO取得了62.6个AP，超过了DINO的62.5个AP。 在这个基准测试中，Grounding DINO表现良好。仅使用O365和GoldG进行预训练的Grounding-DINO-T在少量样本和全样本设置上都优于DINO。 总结 在这篇论文中，介绍了一个名为Grounding-DINO的模型。Grounding-DINO扩展了DINO模型，使其能够进行开放集对象检测，即能够根据文本查询检测任意对象。
2.8K10编辑于 2025-01-09- 来自专栏机器之心
教程 | 强化学习训练Chrome小恐龙Dino Run：最高超过4000分
美国东北大学在读硕士 Ravi Munde 近日发文介绍了其构建《小恐龙快跑（Dino Run）》强化学习智能体的过程。 就人工智能而言，智能体（我们这里就是小恐龙 Dino）的主要目标是通过在环境中执行一个特定的动作序列来最大化特定的数值奖励。强化学习中最大的难题是没有监督（有标注数据）来引导智能体。 你也可以参看我之前的文章，了解 Q 学习的所有超参数：https://medium.com/acing-ai/how-i-build-an-ai-to-play-dino-run-e37f37bdf153 我们使用这一模块控制小恐龙 Dino 以及获取智能体在环境中的状态。 每 10 局游戏的最高分 小恐龙 Dino 的奔跑速度与分数成正比，这使得更高速度下的检测和动作确定更加困难。因此整个游戏都是在恒定速度下训练的。本文中给出的代码片段仅供参考。
4K30发布于 2018-06-08 开放域检测算法OV-DINO和yolo-world的pk比较
【OV-DINO介绍】 中山大学联合美团提出新模型OV-DINO，实现开放域检测开源新SOTA！ 比Grounding DINO高12.7% AP，比YOLO-World 高4.7% AP。 OV-DINO是基于语言感知选择性融合、统一的开放域检测方法。作为最强开放域检测开源模型，目前项目已公开论文和代码，在线Demo也可体验。 什么是OV-DINO？ 本文提出了一种名为OV-DINO的开放域检测方法。 整体框架包括一个文本编码器、一个图像编码器和一个检测头。模型接收图像和提示文本作为输入，通过特定模板创建统一的文本嵌入表示。 OV-DINO 结果部分检测出来，证明比yolo-world强多了，注意需要设置合理阈值才能检测出来过高和过低都可能出现很差效果，经过多张图片测试效果比yolo-world强不少 【总结】 OV-DINO OV-DINO算法问世，标注国产开放集合检测新范式，为实际应用提供有力科学技术支撑。
78600编辑于 2025-07-21- 来自专栏贾志刚-OpenCV学堂
AVA-DINO 零样本学习异常，泛化能力碾压现有方法
现有的零样本异常检测（ZSAD）方法大多采用统一的特征变换，对正常样本和异常样本使用相同的处理方式。然而，正常样本具有紧凑、结构一致的分布特性，而异常样本则呈现多样、稀疏、边界不规则的分布特性。这种内在不对称性要求模型能够区分处理，而非统一适应。
24910编辑于 2026-06-03 - 来自专栏集智书童
Meta AI开源CLIP-DINOiser | 如何将自监督DINO的Trick教给CLIP？这里就是答案！
DINO在这方面脱颖而出，其具有视觉概念感知特征，这些特征已被用于无监督目标发现。DINO特征对于零样本语义分割也是有用的，但需要昂贵的滑动窗口采样或构建概念特定的原型和集成策略。 该层被优化为模仿DINO中图像中视觉概念的可能的布局。 此外，作者还证明可以从CLIP特征中直接学习FOUND从DINO特征中提供的无监督目标性信息，以帮助改进对“背景”提示的分割。 最后，作者利用DINO的有用 Patch 相关属性，并表明通过轻量级卷积层可以教CLIP生成DINO类似的特征。 第一个是用来匹配DINO中使用的一个ViT-B/16模型训练后提取的值嵌入相关性信息的特征。第二个层是用来复制FOUND中的无监督物体定位预测，它也使用了DINO模型。 作者在Tab. 1b中报告了使用作者的池化策略（无论是使用DINO特征，称为'使用DINO A^{\xi^{*}} 或从CLIP提取的特征，称为'使用训练好的 A^{\phi^{*}} '）时的结果
1.8K10编辑于 2024-01-17 CLIP, DINO等多模型融合DreamSim，让电脑“看懂”图片有多像！模型融合成为热门！
DreamSim不是要另起炉灶，而是很聪明地把已有的老牌嵌入模型（CLIP, DINO, OpenCLIP）拿来，融合起来。就像请了一个专家团：CLIP 擅长语义理解（知道是啥）。 DINO 擅长在不依赖标签的情况下理解物体形状和纹理。把它们的“看法”（嵌入向量）拼接起来，你就能得到一个更丰富、更全面的视图。 轻量快手（单分支模型）：比如只使用DINO主干，速度提升近3倍，精度略有牺牲，适合需要快速响应的应用。 你可以像点菜一样选择模型：model, preprocess = dreamsim(pretrained=True, dreamsim_type="dino_vitb16")总结：为什么DreamSim
55910编辑于 2025-10-16- 来自专栏贾志刚-OpenCV学堂
不训练、不标注、直接出结果！工业零样本缺陷检测的三种封神思路
缺点是CLIP训练时主要以自然图像为主，工业图像的分布差异需要调整提示词来弥补 基于DINO—自监督特征的比对 DINO（self-distillation with no labels）是一个自监督训练的 换句话说，DINO对物体内部的“正常变化”很鲁棒，但对“异常区域”很敏感。 PatchCore的DINO增强版 PatchCore原本是一个基于ImageNet预训练ResNet的特征提取方法，但引入DINO后可以显著提升性能，尤其是在纹理型缺陷上。 比ResNet更好： DINO的自监督训练使得特征对物体内部的语义一致性更敏感 多层特征融合可以同时捕获局部纹理信息和更全局的结构信息 在MVTec AD等工业基准上，DINO版PatchCore通常比原始 PatchCore提高3-5个百分点的AUROC 结论 对于大多数工业场景，建议从方法三（DINO+PatchCore）开始尝试，因为它综合了DINO的特征表达能力和PatchCore成熟的检测框架，且对异常召回率和定位精度都表现均衡
29510编辑于 2026-05-25 - 来自专栏叶子陪你玩编程
chrome 浏览器小恐龙彩蛋游戏
相信很多人都玩过chrome 浏览器小恐龙彩蛋游戏，没玩过的可以断网或者直接输入 chrome://dino试试。 ? 自己搞一个试试，暂时做了一个简单的效果。 = [] for i in range(1, 7): temp = pygame.image.load(f"dino/dino_run{i}.png") dino_rect = temp.get_rect () dino_list.append(temp) index = 0 print(dino_rect) # x 初始值 dino_rect.x = 100 # y 初始值 dino_rect.y ground = pygame.image.load("dino/ground.png") # 加载仙人掌 cactus = pygame.image.load("dino/cactus1.png" += y_speed # 更新y坐标 y_speed += gravity # 重力作用下改变速度 if dino_rect.y>=150: dino_rect.y
2K30发布于 2021-07-05 - 来自专栏DeepHub IMBA
CLIP与DINOv2的图像相似度对比
= extract_features_dino(img) add_vector_to_index(dino_features,index_dino) #store the indexes locally faiss.write_index(index_clip,"clip.index") faiss.write_index(index_dino,"dino.index") 2、图像相似度搜索 = processor_dino(images=image, return_tensors="pt").to(device) outputs_dino = model_dino(**inputs_dino ) image_features_dino = outputs_dino.last_hidden_state image_features_dino = image_features_dino.mean ") #Get distance and indexes of images associated d_dino,i_dino = index_dino.search(image_features_dino
2.7K50编辑于 2023-10-06 - 来自专栏萝卜大杂烩
使用Python开发一个恐龙跑跑小游戏，玩起来
相信很多人都玩过 chrome 浏览器上提供的恐龙跑跑游戏，在我们断网或者直接在浏览器输入地址“chrome://dino/”都可以进入游戏 今天我们就是用 Python 来制作一个类似的小游戏 素材准备 首先我们准备下游戏所需的素材，比如恐龙图片，仙人掌图片，天空，地面等等，我们统一放到 dino 文件夹下 游戏逻辑 我们使用 Pygame 来制作游戏，先进行游戏页面的初始化 import pygame = [] temp = "" for i in range(1, 7): temp = pygame.image.load(f"dino/dino_run{i}.png") dino_list.append (temp) dino_rect = temp.get_rect() index = 0 # x 初始值 dino_rect.x = 100 # y 初始值 dino_rect.y = 150 # print ("dino/ground.png") # 加载仙人掌 cactus = pygame.image.load("dino/cactus1.png") cactus_rect = cactus.get_rect
61320编辑于 2023-08-21 - 来自专栏萝卜大杂烩
使用Python开发一个恐龙跑跑小游戏
今天我们就是用 Python 来制作一个类似的小游戏 素材准备 首先我们准备下游戏所需的素材，比如恐龙图片，仙人掌图片，天空，地面等等，我们统一放到 dino 文件夹下 游戏逻辑 我们使用 Pygame pygame.font.SysFont("arial", 20) score = 0 # 背景色 bg_color = (218,220,225) 接下来我们将各种素材加载进内存 # 加载正常恐龙 dino_list = [] temp = "" for i in range(1, 7): temp = pygame.image.load(f"dino/dino_run{i}.png") dino_list.append (temp) dino_rect = temp.get_rect() index = 0 # x 初始值 dino_rect.x = 100 # y 初始值 dino_rect.y = 150 # print ("dino/ground.png") # 加载仙人掌 cactus = pygame.image.load("dino/cactus1.png") cactus_rect = cactus.get_rect
1.4K20发布于 2021-11-16 - 来自专栏机器之心
LeCun 的世界模型初步实现！基于预训练视觉特征，看一眼任务就能零样本规划
/pdf/2411.04983v1 项目地址：https://dino-wm.github.io/ 该团队提出的 DINO-WM 是一种可基于离线的轨迹数据集构建与任务无关的世界模型的简单新方法。 基于 DINO 的世界模型（DINO-WM） 该团队将环境动态建模到了隐藏空间中。 训练完成后，DINO-WM 可以用于视觉规划吗？ 世界模型的质量在多大程度上取决于预训练的视觉表征？ DINO-WM 是否可以泛化到新的配置，例如不同的空间布局和物体排列方式？ 使用 DINO-WM 优化行为 该团队研究了 DINO-WM 是否可直接用于在隐藏空间中实现零样本规划。 DINO-WM 所代表的方法看起来颇有潜力，该团队表示：「DINO-WM 朝着填补任务无关型世界建模以及推理和控制之间的空白迈出了一步，为现实世界应用中的通用世界模型提供了光明的前景。」
64110编辑于 2025-02-14 - 来自专栏Python交流社区
使用Python开发一个恐龙跑跑小游戏，玩起来
在我们断网或者直接在浏览器输入地址 都可以进入游戏 图片.png 今天我们就是用 Python 来制作一个类似的小游戏 素材准备 首先我们准备下游戏所需的素材，比如恐龙图片，仙人掌图片，天空，地面等等，我们统一放到 dino pygame.font.SysFont("arial", 20) score = 0 # 背景色 bg_color = (218,220,225) 接下来我们将各种素材加载进内存 # 加载正常恐龙 dino_list = [] temp = "" for i in range(1, 7): temp = pygame.image.load(f"dino/dino_run{i}.png") dino_list.append (temp) dino_rect = temp.get_rect() index = 0 # x 初始值 dino_rect.x = 100 # y 初始值 dino_rect.y = 150 # print ("dino/ground.png") # 加载仙人掌 cactus = pygame.image.load("dino/cactus1.png") cactus_rect = cactus.get_rect
83420编辑于 2021-12-14 - 来自专栏python3
Perl Learning - 3 (A
) # same as ('fred', 'barney', 'betty', 'milma', 'dino') qw will ignore the whitespace (spaces, tabs fred barney betty wilma dino ! qw# fred barney betty wilma dino # # like comments qw( fred barney betty wilma dino ) qw{ fred barney betty wilma dino } qw[ fred barney betty wilma dino ] qw< fred barney betty wilma dino > qw{ /usr/dict ) = qw[flintstone]; # $dino is undef We can use @ to give values to an array.
1.6K20发布于 2020-01-10 - 来自专栏AI科技大本营的专栏
使用 Python 开发一个恐龙跑跑小游戏，玩起来
作者 | 周萝卜 来源 | 萝卜大杂烩 相信很多人都玩过 chrome 浏览器上提供的恐龙跑跑游戏，在我们断网或者直接在浏览器输入地址“chrome://dino/”都可以进入游戏 今天我们就是用 Python 来制作一个类似的小游戏 素材准备 首先我们准备下游戏所需的素材，比如恐龙图片，仙人掌图片，天空，地面等等，我们统一放到 dino 文件夹下 游戏逻辑 我们使用 Pygame 来制作游戏 = [] temp = "" for i in range(1, 7): temp = pygame.image.load(f"dino/dino_run{i}.png") dino_list.append (temp) dino_rect = temp.get_rect() index = 0 # x 初始值 dino_rect.x = 100 # y 初始值 dino_rect.y = 150 # print ("dino/ground.png") # 加载仙人掌 cactus = pygame.image.load("dino/cactus1.png") cactus_rect = cactus.get_rect
66330编辑于 2023-04-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号