CVPRJul, 2022
V$^2$L：将视觉和视觉语言模型应用于大规模产品检索
V$^2$L: Leveraging Vision and Vision-language Models into Large-scale Product Retrieval
Wenhao Wang, Yifan Sun, Zongxin Yang, Yi Yang
TL;DR本文介绍了在 eBay 产品视觉搜索挑战 (FGVC9) 中获得第一名的一个模型。该模型通过将视觉模型和视觉语言模型相结合，运用 20 个模型的结合方式，在对 coarse labels 进行两阶段训练的基础上，进行了精细化的自我监督训练。此外，该模型通过使用文本描述训练图像作为监督信号，对图像编码器进行了微调。最终，该模型达到了 0.7623 MAR@10 的成绩，超过了所有竞争对手。