AAAIApr, 2023
定位再生成:通过边界框桥接视觉和语言进行场景文本 VQA
Locate Then Generate: Bridging Vision and Language with Bounding Box for Scene-Text VQA
Yongxin Zhu, Zhen Liu, Yukang Liang, Xin Li, Hao Liu...
TL;DR提出了一个用于场景文本视觉问答的多模态框架,采用 “先定位再生成” 的范式,将空间边界框作为连接文本和视觉模态的桥梁,通过预先训练的语言模型增强绝对准确率。