Medium0 Hot0 bình luận6 phút đọc2 giờ trước

AI in Disaster Response: The Drone That Hears a Heartbeat Under the Rubble

AI in Disaster Response: The Drone That Hears a Heartbeat Under the Rubble On June 23, 2026, two powerful earthquakes, magnitudes 7.2 and 7.5, tore through Venezuela’s capital region, devastating …

Đọc bài gốc

#computer-vision #robotics #signal-processing

Nguồn: https://medium.com/@ayvataskenan/ai-in-disaster-response-the-drone-that-hears-a-heartbeat-under-the-rubble-1f0b1535b4ff. 8 Sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.

Đề xuất cho bạn

Awesome Elixir1 Hot1 phút2 ngày trướcAI

Beam Bots

Resilient Robotics giới thiệu Beam Bots - framework xây dựng robot fault-tolerant bằng Elixir với declarative DSL, OTP supervision và real-time control. Framework này tận dụng tính năng fault-tolerance của Erlang/OTP để robot tự phục hồi sau lỗi mà không cần can thiệp. Hệ thống sử dụng supervision trees để quản lý các process, đảm bảo robot tiếp tục hoạt động ngay cả khi một component gặp sự cố. Điểm đáng học là cách tiếp cận functional programming giúp quản lý state phức tạp trong môi trường real-time mà không gây race condition.

Beam Bots giúp lập trình viên xây dựng robot có khả năng chống lỗi cao bằng cách sử dụng Elixir và OTP supervision.

#webdev

Bình luận

Đang tải bình luận…

Towards Data Science1 Hot16 phút22 ngày trướcAI

Why We Fine-Tuned SigLip (And Why That’s Not Always the Right Call)

Alma Media phát triển một bộ phân loại hình ảnh riêng cho ảnh đăng bán bất động sản với 23 lớp phòng và nội dung, đồng thời đưa ra một khung quyết định để chọn giữa gọi API VLM hay huấn luyện mô hình riêng, chọn mô hình nền tảng và quyết định fine‑tune hay freeze backbone. Họ thực nghiệm trên tập dữ liệu riêng 40.000 ảnh, so sánh SigLIP freeze, DINOv2 freeze và SigLIP fine‑tune bằng LoRA, kết quả cho thấy LoRA nâng micro F1 từ 78,4% lên 82,6% và giảm tỷ lệ ảnh chưa gắn nhãn từ 9,4% xuống 3,4%, gần với mức cơ bản tự nhiên 3,9%. Lớp GARDEN nhận được tăng recall 26 điểm, trong khi việc đơn giản chuyển sang DINOv2 đã hồi phục hơn một nửa của khoảng cách này mà không cần fine‑tune. So sánh chi phí cho thấy việc sử dụng API VLM như Gemini tốn khoảng 1.500 USD cho mỗi triệu ảnh, natomiast bộ phân loại chạy trên GPU riêng chỉ tốn khoảng 0,37 USD cho cùng lượng ảnh, và việc thực hiện toàn bộ quá trình quét siêu tham số LoRA chỉ tốn khoảng 30 USD. Bài học là mặc dù fine‑tune có thể cải thiện chỉ số, nhưng việc lựa chọn mô hình nền tảng phù hợp và cân nhắc chi phí thường làm cho việc freeze backbone hoặc chuyển mô hình trở thành lựa chọn hiệu quả hơn.

Bài viết này cung cấp framework ra quyết định chi tiết và so sánh thực tế giữa việc fine-tune SigLIP, sử dụng DINOv2 hay gọi API VLM giúp lập trình viên tối ưu hóa lựa chọn mô hình hình ảnh với chi phí và hiệu suất tối ưu.

#deep-learning #computer-vision #lora Nguồn

AI in Disaster Response: The Drone That Hears a Heartbeat Under the Rubble

Đề xuất cho bạn

Beam Bots

Bình luận

Open Source Vacuum Avoids Cloud

Building a Real-Time 3D Face Mask with MediaPipe, Threlte and Three.js

Mushroom hunting with LLMs: what can go wrong?

Why We Fine-Tuned SigLip (And Why That’s Not Always the Right Call)

Schneier on Security

Unitree’s IPO could value China’s robot champion at $7bn or more

KinetiGo: a Go toolchain for LEGO robotics

Một tài khoản, cả hệ sinh thái

8syncdev.com

Khóa học

Luyện code

IELTS

ZUS — IDE AI

mind0

AcoLeads