PERCEPTION
LocateAnything：基于并行框解码的快速高质量视觉语言定位
Shihao Wang, Shilong Liu, Yuanguo Kuang, Xinyu Wei, Yangzhou Liu, Zhiqi Li, Yunze Man, Guo Chen, Andrew Tao, Guilin Liu, Jan Kautz, Lei Zhang, Zhiding Yu
- 发表年份
- 2026
- 引用次数
- 0
- 访问权限
- 开放获取
摘要
本文提出LocateAnything框架，通过并行框解码（PBD）将边界框等几何元素作为原子单元一步解码，保持了几何一致性并实现了并行化，显著提升了解码吞吐量和定位精度。同时构建了包含1.38亿训练样本的大规模数据集，在多个基准上实现了速度与精度的前沿性能。
关键词
parallel box decodingvision-language groundingvisual detectiongenerative frameworklarge-scale dataset
相关论文
PERCEPTION
📊 22,245 引用
Artificial intelligence: a modern approach
1995
PERCEPTION
📊 14,348 引用
Are we ready for autonomous driving? The KITTI vision benchmark suite
Andreas Geiger, P Lenz, R. Urtasun
2012
PERCEPTION
开放获取📊 9,777 引用
TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems
Martı́n Abadi, Ashish Agarwal, Paul Barham 等 20 位作者
2016
PERCEPTION
📊 9,681 引用
Vision meets robotics: The KITTI dataset
Andreas Geiger, Philip Lenz, Christoph Stiller 等 4 位作者
2013