深度分析
被動式工地安全監測：YOLO微調、SAM 3分割與Qwen3‑VL角色化對抗性思考鏈
美國建築業死亡率居高不下。本研究提出被動式下班影像監測流程，串接精調YOLO、SAM3與Qwen3-VL三階段檢測，利用角色化三回合對抗性思考鏈降低視覺語言模型幻覺，將違規對應OSHA條款並輸出逐工時證據報告，開發者於開發語料觀察到精準度提升。
深度分析
美國建築業死亡率居高不下。本研究提出被動式下班影像監測流程，串接精調YOLO、SAM3與Qwen3-VL三階段檢測，利用角色化三回合對抗性思考鏈降低視覺語言模型幻覺，將違規對應OSHA條款並輸出逐工時證據報告，開發者於開發語料觀察到精準度提升。
速報
在自駕系統逐漸把深度學習模型部署到受限邊緣平台時，掌握在資源退化下的硬體行為變得關鍵。
YOLO
本研究針對足球比賽影片開發電腦視覺分析系統，結合目標偵測、SAM2 分割與關鍵點 CNN 模型，利用同質映射將相機座標轉為實際場地座標，最終產出球員速度、跑動距離與熱點圖等戰術指標，為教練提供可操作的數據。