来源：内容来自半导体行业观察综合，谢谢。

Google 今天分享了有关其TPU芯片的新版本的早期细节，据介绍，该芯片用于运行人工智能工作负载，其性能是前一代的两倍以上。

Google的TPU（即Tensor处理器单元）是专门针对AI设计的专用集成电路。搜索巨头今天详细介绍的新的TPU模型是该芯片的第四次迭代。通过Google Cloud Platform，企业可以使用第三次和第二次迭代，这两者也展示了出色的性能。

从锥形束计算机断层扫描(CBCT)图像中准确、自动地分割单个牙齿是一个具有挑战性的问题，因为很难将单个牙齿与相邻牙齿及其周围的牙槽骨分离。因此，本文提出了一种全自动的从牙齿CBCT图像中识别和分割三维个体牙齿的方法。该方法通过开发一个基于深度学习的层次多步骤模型来解决上述困难。首先，该算法能够自动生成上下颌骨全景图像，克服了高维数据带来的计算复杂度和有限训练数据集带来的维数诅咒。然后利用获得的二维全景图像对二维个体牙齿进行识别，并获取三维个体牙齿的松弛和紧张感兴趣区域(roi)。最后，采用松紧roi实现了精确的三维个体牙齿分割。实验结果表明，该方法的牙齿识别f1得分为93.35%，个体三维牙齿分割的骰子相似系数为94.79%。结果表明，所提出的方法为数字牙科提供了一个有效的临床和实践框架。

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