Meta发布了升级版的计算机视觉模型Segment Anything Model 2 (SAM 2)，可以实时快速识别和分离图像或视频中的对象。文章提供了使用Modelbit将SAM 2模型部署为REST API的说明。SAM 2具有多个关键功能和增强，包括内存机制、流式架构、增强图像分割、多个掩码预测、遮挡预测和视频分割。文章还解释了如何以编程方式使用SAM 2为图像生成分割掩码。最后，讨论了如何使用Modelbit将SAM 2模型部署为REST API端点。

BEHAVIOR Vision Suite (BVS)是一个用于评估和理解计算机视觉模型的新工具包。它允许研究人员在场景、物体和相机级别上控制各种参数，帮助创建高度定制的数据集。BVS旨在通过提供可定制和物理真实的合成数据来解决现实世界数据集的局限性。它包括大量的物体模型和场景实例，以及可定制的数据集生成器。生成器允许用户指定场景布局、物体状态、相机角度和光照条件等参数。BVS已被证明对于评估模型的鲁棒性、比较不同的计算机视觉模型以及训练和评估物体状态和关系预测的sim2real转移非常有用。

研究人员提出了一种简单而有效的数据增强方法，通过生成标记的真实图像的变体，进行生成性物体和背景增强，扩充现有的训练数据。背景增强尤其显著提高了模型的鲁棒性和泛化能力。该增强技术在不同场景下显著提升了模型的性能，为数据集增强的挑战提供了有希望的解决方案，为计算机视觉模型的发展做出了贡献。

该研究提出了一种解释计算机视觉模型预测的方法，通过生成基于概念的原型。该方法在粗粒度图像分类任务上表现出竞争力，并在细粒度任务上可能表现更优。用户研究证明了该方法的有效性。

本论文介绍了MAIA，一种多模态自动解释性代理，利用神经模型自动化神经模型理解任务，并提供实验和解释工具。评估结果显示，MAIA在计算机视觉模型中具有良好的应用潜力。

数据增强技术提高计算机视觉模型泛化能力。本文介绍了两种新型数据增强技术，针对不同ially private学习的约束条件。第一种技术DP-Mix_Self通过在自我增强的数据上执行mixup，实现了SoTA分类性能。第二种技术DP-Mix_Diff通过合成预训练扩散模型的数据纳入mixup过程，进一步提高性能。

该研究揭示了稳定扩散计算机视觉模型的隐私漏洞，并提出了一种新的会员推理攻击方法。研究评估了攻击的有效性，并呼吁采取增强安全措施。

该研究揭示了稳定扩散计算机视觉模型的隐私漏洞，并设计了一种黑盒会员推理攻击方法，成功率达到60％。研究强调了隐私和安全问题的迫切性，敦促从业者和开发者采取增强安全措施。

本文研究了人类与计算机视觉模型在不同类型的视觉组合任务中的差异，发现人类和程序在感知上有相同点，但在一些结构上存在差异。形成新概念主要涉及组合机制和抽象。

BIOSCAN-Insect数据集是一个包含百万图像和遗传信息的手动标注的昆虫图像数据集，可用于训练计算机视觉模型和生物多样性研究。该数据集具有长尾类别不平衡分布和细粒度分类问题，可推动全球生物多样性的综合调查。

本文介绍了Transformer多头注意力机制及其在计算机视觉模型中的应用。传统的多头注意力机制计算复杂且训练收敛速度慢，因此提出了可变形多头注意力机制来降低计算复杂度。可变形多头注意力机制通过对每个查询元素选择一小部分特征进行注意力计算，从而减少计算量。文章还介绍了可变形多头注意力机制v2，该机制使用共享的全局偏移键来减少内存消耗。最后，文章提到了多尺度可变形多头注意力机制，用于支持具有不同空间分辨率的多尺度特征图。可变形多头注意力机制v2相比传统多头注意力机制具有更低的内存消耗和更接近卷积的特点。

该文介绍了一种名为视觉保留网络（ViR）的新的计算机视觉模型，具有双并行和循环结构，可在快速推理和并行训练之间达到最佳平衡，并具有可扩展性。ViR 是第一个尝试在通用视觉骨干网络中实现双并行和循环等效性的方法，通过大量实验证实了 ViR 的有效性，并提供了代码和预训练模型的公开获取。