关于EasyCV的近期Roadmap，由于我无法直接访问到其内部规划或官方发布的最新信息，以下是根据计算机视觉领域的发展趋势和EasyCV以往的活动及功能所做出的合理推测：
深化自监督学习和Transformer技术的融合：
EasyCV可能会继续深化自监督学习和Transformer技术的融合，推出更多基于这两种技术的视觉算法和模型。这将有助于提升模型的泛化能力和性能，特别是在处理无标注或少量标注数据时。
扩展视觉任务覆盖范围：
考虑到计算机视觉领域的广泛应用，EasyCV可能会扩展其覆盖的视觉任务范围。例如，除了现有的图像分类、物体检测等任务外，还可能会加入视频理解、三维重建、场景解析等更高级的任务。
优化算法和模型性能：
EasyCV可能会持续优化其算法和模型性能，包括提升训练速度、降低计算成本、增强模型鲁棒性等。这将有助于用户更高效地构建和部署视觉系统。
加强社区建设和用户支持：
EasyCV可能会加强其社区建设，通过举办技术交流活动、分享会等方式促进知识的传播和共享。同时，也会加强用户支持，提供更完善的文档、教程和在线帮助，降低用户的使用门槛。
探索跨模态学习和融合：
随着多模态学习的发展，EasyCV可能会探索如何将视觉信息与其他模态（如文本、音频等）进行有效地融合和利用。这将有助于构建更加全面、智能的视觉系统，以应对更广泛、更复杂的实际应用场景。
推进智能化和自动化：
为了进一步提升用户体验和降低使用成本，EasyCV可能会推进智能化和自动化进程。例如，提供自动化的模型训练、评估、部署和监控等功能，帮助用户更加高效地构建和维护视觉系统。
需要注意的是，以上推测仅基于当前的信息和趋势，实际的Roadmap可能会因技术进步、市场需求等因素而发生变化。为了获取最准确的信息，建议直接访问EasyCV的官方网站或关注其官方社交媒体账号以获取最新动态。