dino-v2

本文介绍了CW-BASS v2，一种用于半监督语义分割的饱和度感知伪标签选择方法，该方法根据教师的可靠性在严格过滤和自适应置信度下限之间自适应切换。使用DINOv2教师，在多个基准测试上显示了优于基线的结果。

一位研究人员报告，在细粒度汽车分类任务中使用k-NN时，冻结的SigLIP2（92%）和DINOv2（41%）嵌入之间存在惊人的50个百分点的准确率差距，寻求了解线性探针是否能缩小差距，或者DINOv2是否不适合检索。

英国政府正在利用 Meta 的 DINOv2 模型优化造林工作，旨在降低成本并改善绿地可达性。

Orakl Oncology 正在利用 DINOv2 模型将机器学习与实验洞察相结合，旨在加速癌症治疗发现和药物研发。

Depth Anything V2 是一种单目深度估计模型，在细节丰富度和鲁棒性方面显著优于 V1，同时提供比基于 SD 的模型更快的推理速度和更高的准确性。它在 Replicate 上以不同许可证提供。