关于 中华礼仪用语 / 万物识别的AI模型 | 圆满〇知识文摘

【文化】中华礼仪用语大全，再不保存就要失传了！

节选:

中国具有五千年文明史，素有“礼仪之邦”之称，中国人也以其彬彬有礼的风貌而著称于世。

礼仪文明作为中国传统文化的一个重要组成部分，对中国社会历史发展起了广泛深远的影响，其内容十分丰富。

1、

头次见面用久仰，很久不见说久违。

认人不清用眼拙，向人表歉用失敬。

请人批评说指教，求人原谅用包涵。

请人帮忙说劳驾，请给方便说借光。

麻烦别人说打扰，不知适宜用冒昧。

求人解答用请问，请人指点用赐教。

赞人见解用高见，自身意见用拙见。

看望别人用拜访，宾客来到用光临。

陪伴朋友用奉陪，中途先走用失陪。

等待客人用恭候，迎接表歉用失迎。

别人离开用再见，请人不送用留步。

欢迎顾客称光顾，答人问候用托福。

问人年龄用贵庚，老人年龄用高寿。

读人文章用拜读，请人改文用斧正。

对方字画为墨宝，招待不周说怠慢。

请人收礼用笑纳，辞谢馈赠用心领。

问人姓氏用贵姓，回答询问用免贵。

表演技能用献丑，别人赞扬说过奖。

向人祝贺道恭喜，答人道贺用同喜。

请人担职用屈就，暂时充任说承乏。

2、

令，用于对方的亲属或有关系的人：

令尊：尊称对方的父亲；

令堂：尊称对方的母亲；

令郎：尊称对方的儿子；

令爱、令嫒：尊称对方的女儿；

令兄：尊称对方的兄长；

令弟：尊称对方的弟弟；

令侄：尊称对方的侄子。

贤，用于平辈或晚辈：

贤弟：称自己的弟弟或比自己年龄小的男性；

贤侄：称侄子。

家，古人称自己一方的亲属朋友常用谦词。

“家”是对别人称自己的辈份高或年纪大的亲属时用的谦词：

家父、家尊、家严、家君：称父亲；

家母、家慈：称母亲；

家兄：称兄长；

家姐：称姐姐；

家叔：称叔叔。

贫，僧道、尼姑自谦之称：

贫僧、贫道、贫尼。

老，老人自谦时用老朽、老夫、老汉、老拙等，

用于谦称自己或与自己有关的事物：

老粗：谦称自己没有文化；

老脸：年老人指自己的面子；

老身：老年妇女谦称自己；

老和尚自称老衲；

老官员自称老臣。

来自:国学生活

思考:以礼待人，以理服人。继承中国礼仪的优良传统，在于平时一言一行，在于日常一点一滴。

【AI】万物识别RAM：最强图像识别模型，Zero-Shot超越有监督

节选:

大语言模型（Large Language s）已经给自然语言处理（NLP）领域带来了新的革命。在计算机视觉（CV）领域，Facebook近期推出的Segment Anything Model（SAM）工作，在视觉定位（Localization）任务上取得了令人振奋的结果。然而SAM作为一个极致的定位大模型，并没有识别（Recognition）能力，而识别是与定位同等重要的CV基础任务。现有的开放式检测、分割任务尝试同时做好识别和定位，却在两个任务上都不能达到极致。

我们推出视觉感知大模型Recognize Anything Model（RAM），提供最强的图像识别能力，RAM为图像识别领域提供了一种新的范式，使用海量无需人工标注的网络数据，可以训练出泛化能力强大的通用模型，甚至在垂域下可以超越人工标注训练的有监督模型。

项目地址：recognize-anything.github.io

【RAM的优势】

能力强且通用：RAM可识别任意常见类别，支持中英文，精度上其Zero-Shot能力超越了有监督模型，高于CLIP/BLIP等经典多模态模型20+点，并可对标甚至超越Google的商用API；

可复现且成本低：RAM完全基于开源数据训练，通过自动化的数据引擎获取了上亿级无须人工标注的高质量图像标签，RAM的基础版本模型只需八卡训练1天，最强版本也仅需八卡训练3天；

灵活且用途广：RAM可以直接用在不同的视觉语义理解场景，也可以与定位大模型（如Grounded-SAM）组合，实现一套超强的视觉语义分析工具。

【RAM的创新点】

RAM在算法和数据上相比之前工作均有较大创新：

算法层面：充分利用Transformer架构的灵活性，创新性地将多标签识别（Tagging）和看图说话（Captioning）两个任务有机联合，Caption扩展了Tagging的识别范围，而Tagging则可以辅助Caption实现可控的句子生成。并且通过固定的文本编码器在Tagging实现了Open-Set标签类别的能力。

数据层面：

构建了一套横跨学术（分类、检测、分割）和商业化产品的通用视觉语义标签体系；

充分利用网络上的海量的图文对数据，而非少量的人工标注数据；

搭建了一套全自动化的数据引擎，源源不断的标注清洗网络上的海量图片，最终获取了上亿级高质量、有价值的图像标签。

RAM可以以较高的准确率自动识别超过6400类的图像标签，横跨学术数据集和商业化产品，并根据其Open-Set能力覆盖任意标签类别：

【总结与展望】

RAM在视觉识别领域展现了一个通用模型泛化到不同场景下的巨大潜力。RAM仍然有很大的提升空间，比如：

1）在一些稀有类别、细粒度分类任务上表现一般；

2）采用开源数据训练可能在有个别数据上出现偏见现象等。但我们坚信，大模型时代已经到来，视觉任务的统一是大势所趋，希望RAM能推进大模型在视觉领域的发展。

来自:Smarter

思考:SAM分割一切，RAM识别一切，这个要真有了，那又重新定义了识别哦