视觉大模型有何进展？微软CVPR2023最新《视觉基础模型进展》教程，附260页ppt

6 月 18 日至 22 日，计算机视觉领域顶级盛会之一国际计算机视觉与模式识别会议（CVPR 2023）将在加拿大温哥华举行。CVPR（Computer Vision and Pattern Recognition，计算机视觉与模式识别）会议是计算机视觉与模式识别、人工智能领域的国际顶级会议，是中国计算机学会（CCF）推荐的A类国际学术会议。本届会议录用率为25.78%。

来自微软给出了《视觉基础模型进展》教程，值得关注！

https://vlp-tutorial.github.io/

在计算机视觉社区，不同粒度层次的视觉理解一直是一个长期存在的问题。任务跨越了从图像级任务（例如，图像分类，图像-文本检索，图像字幕，和视觉问题回答），区域级定位任务（例如，物体检测和短语定位），到像素级分组任务（例如，图像实例/语义/全景分割）。直到最近，这些任务大多都是通过专门的模型设计单独处理的，阻止了跨不同粒度的任务之间的协同效应的开发。

鉴于Transformer的多功能性和受大规模视觉语言预训练的启发，计算机视觉社区现在正在见证对构建通用视觉系统的兴趣日益增长，这也被称为视觉基础模型，这些模型可以从各种下游任务中学习，并应用于从图像级别，区域级别，到像素级别的视觉任务。

在本教程中，我们将介绍学习和应用视觉基础模型的前沿的最新方法和原则，包括(1) 视觉和视觉语言预训练；(2) 通用视觉接口；(3) 文本到图像生成的对齐；(4)大型多模态模型；和(5) 多模态智能体。

目录内容：

讲者：