热点事件持续更新
JMT-YOLO：分割引导一致性的域自适应检测框架
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026 年 10 月 12 日，arXiv cs.CV 发布论文提出 JMT-YOLO，一个基于 Mean Teacher 架构的联合多任务域自适应目标检测框架。该方法引入辅助语义分割任务，并设计掩码一致性损失，以增强实例级特征对齐；其多尺度上下文感知分割头采用密集连接结构，用于缓解细粒度特征退化。论文在 Pascal VOC→Clipart1k 等三个域自适应基准上报告了 46.9%、57.3%、61.0% 的结果。目前公开信息仅来自该篇论文，尚无第三方复现或对比评测。
AI 根据报道生成 · 2 小时前更新
最新进展10月12日 12:00
arXiv 新论文提出 JMT-YOLO，三个域自适应基准分别达 46.9%、57.3%、61.0%。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv cs.CVJMT-YOLO：通过分割引导一致性学习的多任务域自适应
JMT-YOLO 是一个基于 Mean Teacher 架构的联合多任务域自适应目标检测框架，通过辅助语义分割任务与掩码一致性损失增强实例级特征对齐。其多尺度上下文感知分割头采用密集连接结构，以缓解细粒度特征退化。在 Pascal VOC→Clipart1k 等三个域自适应基准上分别达到 46.9%、57.3%、61.0%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。