AITOP

LocateAnything

共 2 条相关 AI 资讯
5月30日
10:33
10:33IT之家（博客/媒体）
精选72°
英伟达联合香港理工大学、南京大学发布 LocateAnything 模型，专为机器人和 AI Agent 设计，实现高速、高精度对象检测。该模型通过并行框解码在单步内预测边界框，提供 Fast、Slow 和 Hybrid 三种模式，兼顾速度和精度。在单张 H100 GPU 上，Hybrid 模式每秒处理 12.7 个框，远超 Qwen3-VL 等模型。训练数据涵盖 12M 图像和 138M 查询，覆盖多种定位场景。该模型在 LVIS 高精度任务和 ScreenSpot-Pro 等基准上表现优异。
AI模型英伟达LocateAnything对象检测机器人感知AI Agent
推荐理由：机器人感知和 GUI 自动化开发者终于有了一个兼顾速度和精度的检测方案——LocateAnything 的并行解码设计让实时交互成为可能，做具身智能或屏幕操作 Agent 的团队值得直接试。
原文
5月27日
10:28
10:28官方账号arXiv cs.AI@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
精选
LocateAnything 提出并行框解码（PBD）方法，将边界框和点作为原子单元单步解码，替代传统序列化坐标生成，解决了几何结构耦合性差和推理瓶颈问题。该方法在保持框内几何一致性的同时，显著提升解码吞吐量和定位精度。团队还构建了包含1.38亿训练样本的大规模数据集 LocateAnything-Data，增强数据多样性。实验表明，LocateAnything 在多个基准上实现了速度与精度的新前沿，高IoU定位质量显著提升。这项工作展示了并行解码与大规模数据在统一视觉定位与检测中的互补优势。
论文视觉定位目标检测并行解码大规模数据集LocateAnything
推荐理由：做视觉定位或目标检测的开发者，LocateAnything 的并行解码思路能直接提升推理效率，建议关注其开源数据和模型。
原文