محققان در مقاله جدیدی به سراغ حل یکی از چالشهای بزرگ بینایی ماشین رفتند: چطور هوش مصنوعی میتواند با استفاده از یک «توصیف متنی»، موقعیت و زاویه دقیق دوربین را در یک محیط سهبعدی بزرگ پیدا کند؟
تکنولوژی جدید «CityLoc» با ترکیب مدلهای زبانی (مثل CLIP) و روشهای نوین رندرینگ (Gaussian Splatting)، به ماشینها اجازه میدهد تا با شنیدن یک توصیف (مثل «چراغ راهنمایی سمت چپ»), دقیقاً جایگاه آن را در نقشه تشخیص دهند. این دستاورد گام بزرگی برای هوشمندتر شدن رباتها و خودروهای خودران در محیطهای واقعی است. 🤖🏙️
منبع: arXiv Computer Vision