نظارت بر پروژههای ساختمانی بزرگ همیشه چالشبرانگیز بوده، اما حالا مدل جدیدی به نام AVA-VLM با الهام از شیوه بینایی انسان، راهکار تازهای ارائه داده است.
این مدل که در دسته «مدلهای بینایی-زبانی» قرار میگیرد، به جای پردازش مداوم تصاویر با کیفیت بالا (که هزینه محاسباتی زیادی دارد)، ابتدا یک نمای کلی از کارگاه را بررسی میکند و تنها در صورت نیاز به جزئیات، روی بخشهای مهم «زوم» میکند. این استراتژی «از کلی به جزئی» باعث شده تا این سیستم هم سریعتر عمل کند و هم در شرایطی که تصاویر وضوح پایینی دارند، دقت بالایی داشته باشد. 🛠️✨
منبع: arXiv Computer Vision