Jul, 2024

基于LVLM的多模态表示学习在视觉位置识别中的应用

TL;DR通过融合图像数据和文本描述来构建具有辨别力的全局表示,本研究提出了一种新的多模式视觉地点识别解决方案,通过适应性地重新校准文本令牌并跨模态传播信息,实现了优于现有方法的性能提升。