#视觉定位

Ferret是一个端到端多模态大语言模型，支持任意形式的指代并能在响应中定位内容。通过混合区域表示和空间感知视觉采样器，实现了细粒度和开放词汇的指代与定位。项目提供GRIT数据集和Ferret-Bench评估基准，为多模态模型研究提供重要资源。

这是一个用于6自由度视觉定位的开源工具箱。它采用分层定位方法，结合图像检索和特征匹配技术，提供快速、准确和可扩展的定位能力。该工具箱整合了图像匹配和运动恢复结构(SfM)领域的研究成果，可重现多个室内外视觉定位基准的最佳结果，并支持实现和调试新的定位流程。