BriefGPT.xyz
Ask
alpha
关键词
answer location module
搜索结果 - 1
AAAI
定位再生成:通过边界框桥接视觉和语言进行场景文本 VQA
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。
PDF
a year ago
Prev
Next