关键词：Pupil Labs、眼动追踪、Neon、Pupil Core、计算机视觉、科研工具、人机交互

在智慧交通的演进中，算法的实战能力需通过极端天气、高动态目标、微观标识识别的严苛场景验证。TuSimple、CULane、UA-DETRAC、CCPD四大支柱数...

本文分析 YOLO11 在车辆检测上的性能。相比前代（YOLOv8/v10），YOLO11 通过架构改进提升了速度、精度和在复杂环境（小目标、遮挡）下的鲁棒性。...

在无人机视觉领域，算法的鲁棒性需在动态视角、尺度变化、复杂背景的严苛环境下验证。UAVDT 与 VisDrone 作为全球公认的无人机视角双雄，以其大规模、多维...

2025年计算机视觉与模式识别领域的顶级盛会CVPR刚刚落下帷幕！这场汇聚全球顶尖AI大脑的盛会，再次用无数令人瞠目结舌的突破宣告：我们眼前的世界，正被算法以超...

随着眼动追踪在科研、UX 测试、AR/VR 交互等领域的广泛应用，越来越多的用户开始使用 Pupil Core 平台。在使用过程中，经常会遇到硬件连接、校准失败...

6月6日-8日，第十五届视觉与学习青年学者研讨会 (VALSE 2025)在广东珠海国际会展中心盛大开幕。本届大会由中国图象图形学学会联合主办，中山大学承办，聚...

随着人工智能、人机交互和行为科学的发展，眼动追踪（Eye Tracking）技术逐渐从实验室走向大众应用。Pupil Neon 作为 Pupil Labs 推出...

在计算机视觉、认知神经科学以及人机交互等领域，眼动追踪技术正成为不可或缺的研究工具。作为该领域的前沿企业，Pupil Labs 于近年推出了其全新一代高性能眼动...

90%的YOLO模型性能问题源于数据准备不当！当你的检测模型在真实场景中漏检、误检或泛化失败时，问题可能不在算法本身，而是隐藏在数据预处理和增强的细节中。本文将...

近日，复旦大学联合腾讯优图实验室、上海交通大学等机构发布的Real-IAD D³数据集相关成果已被计算机视觉顶会CVPR 2025收录。

构建高效、智能、安全的现代电网，离不开人工智能视觉技术的深度赋能。无论是自动识别配电房仪表读数、精准检测输电线路上的致命异物，还是实时监控设备绝缘状态、评估潜在...

输电线路上的异物早期检测主要依赖于人工检查，这种方法具有劳动强度高、效率低等特点。随着计算机视觉技术的发展和无人驾驶航空器（UAV）的广泛应用，UAV可以捕捉输...

何恺明团队最新研究出手，给火爆的扩散模型加了个「收纳整理」功能！无需修改模型结构、不增参数、不靠外部数据，仅需一个即插即用的正则化项——Dispersive L...

在实时检测、复杂场景分析、零样本分割需求并存的2025年，YOLO-NAS、DETR、SAM三大架构各领风骚。本文深入剖析三者核心优势、典型短板与最佳适用场景，...

本文提出了一种使用搭载计算机视觉的智能无人机估算蓝莓产量的方法。系统利用两个YOLO模型：一个检测灌木丛，另一个检测浆果。它们协同工作，智能控制无人机位置和角度...

如果你也想要使用模型进行改进，Coovally——新一代AI开发平台，为研究者和产业开发者提供极简高效的AI训练与优化体验！Coovally支持计算机视觉全任务...

北京大学陈宝权教授团队联合港大等开发的 SLAM3R系统取得突破：首次仅用普通手机RGB视频，就能实时（20+FPS）生成高质量、高密度3D场景模型。 它颠覆传...

在工业制造、食品质检、自动驾驶等场景中，异常检测（Anomaly Detection, AD）被广泛应用。但现实中的异常数据稀缺，导致训练高质量检测模型变得非常...

“苏超”激情碰撞，草根足球却常被争议判罚打断节奏？这项AI视觉研究带来了解决方案！论文《Enhancing Soccer Camera Calibration ...