近日，全球权威AI性能基准评测机构MLPerfTM公布最新AI训练Training V2.0榜单，广州企业芯跳科技（Chip-hop）研发的高密度AI服务器“香雪-3B”（ XIANGXUE-3B）共斩获2项冠军，3项亚军，总成绩排名第一。

“香雪-3B”高密度AI服务器。

MLPerf由图灵奖得主大卫o帕特森（David Patterson）联合斯坦福、哈佛大学等顶尖学术机构发起成立，是国际具有权威性和影响力的AI性能基准评测组织。包括谷歌、戴尔、英伟达、英特尔、惠普、浪潮等在内的顶级厂商与研究机构，均参加了此次MLPerf基准测试，共提交超过260项成绩。

计算机视觉模型是指通过计算机算法和技术实现对图像、视频等视觉信息的分析和理解。在计算机视觉领域，有许多经典的模型被广泛应用于目标检测、图像分类、语义分割等任务。下面将介绍十大计算机视觉模型。

2025年3月,美国Jason DeBruin等人在communications biology期刊发表了名为“Breaking the field phenotyping bottleneck in maize with autonomous robots”的文章。该文章介绍了一种全自动机器人(TerraSentia)在玉米田间表型分析中的应用，旨在突破传统表型数据采集的瓶颈。

随着机器视觉技术的快速发展，传统很多需要人工来手动操作的工作，渐渐地被机器所替代。

传统方法做目标识别大多都是靠人工实现，从形状、颜色、长度、宽度、长宽比来确定被识别的目标是否符合标准，最终定义出一系列的规则来进行目标识别。这样的方法当然在一些简单的案例中已经应用的很好，

图像采集环节

分辨率不足会导致表型特征模糊 建议使用高光谱或多光谱设备

光照条件不稳定易引入噪声 需标准化环境并记录参数

背景干扰影响目标提取 采用深度学习分割算法优化

算法选择误区

传统阈值法对复杂样本适应性差 优先测试U-Net或Mask R-CNN模型

Advancing Saliency Ranking with Human Fixations: Dataset, Models and Benchmarks

视觉大模型，也称为视觉Transformer，是近年来计算机视觉领域的一大突破。这种模型基于Transformer架构，由自注意力机制和位置编码两部分组成，能够关注输入数据中的重要部分，并理解图像中元素的位置关系，从而捕捉图像中的全局和局部信息。视觉大模型通过海量数据的训练，能够自动提取图像中的特征信息，进而实现多种复杂任务，具体包括：

一、图像识别

图像识别是视觉大模型最直接的应用场景之一。通过训练，模型可以识别出图像中的物体类别，如动物、植物、建筑等，以及更细化的识别，如人脸表情、车牌号码等。在ImageNet大规模视觉识别挑战赛中，使用视觉大模型的参赛者取得了极高的准确率。

影像处理涉及多个步骤和技术，需根据具体目标（如增强、分析、识别）灵活调整流程。以下是一个通用的思路框架，结合传统方法和深度学习技术：

1. 明确处理目标

• 问题定义：确定核心需求（如去噪、分类、分割、目标检测等）。
• 输入/输出要求

(c)作者 |小欣

3月18日，普京与特朗普的