large vision-language model | BriefGPT

关键词large vision-language model

搜索结果 - 7

ICMLGeoReasoner：使用大型视觉语言模型的街景推理地理定位
使用具有人类推理知识的大型视觉语言模型（LVLM）的新范式来解决地理定位问题。该模型通过使用基于 CLIP 的网络来评估街景图像的可定位程度，并整合来自真实地理定位游戏的外部知识，训练出了一种名为 GeoReasoner 的模型，优于其他
PDFa month ago
ICD-LM: 语言建模驱动视觉语境演示配置
本文研究了如何配置强大的上下文演示序列来解决视觉 - 语言任务，通过观察到配置一个上下文演示序列就是类似于组成一个句子的镜像过程，我们引入了一个特定设计的上下文演示序列生成语言模型 (ICD-LM)，验证了我们的方法适用于视觉问答和图像字幕
PDF7 months ago
GPT-4V 中提升医疗任务性能：关于提示工程策略的综合研究
GPT-4V 的医学应用能力及改进方法的研究
PDF7 months ago
RaDialog：大规模的视觉语言模型用于放射学报告生成与对话辅助
RaDialog 是一个用于放射学报告生成和交互对话的大型视觉语言模型，通过有效集成视觉图像特征和结构化病理结果，并使用参数高效的微调方法，实现了最先进的临床正确性，以及在纠正报告和回答问题等互动任务方面展现出惊人的能力，为临床对话系统打下
PDF7 months ago
大规模视觉语言模型的泛化与虚构通过迷彩镜头
我们提出了一种新颖的框架，camo-perceptive 视觉语言框架（CPVLF），以探索 LVLM 在具有挑战性的伪装目标检测（COD）情景中是否可以在无需训练的情况下实现泛化。通过观察 LVLM 的泛化过程，我们发现由于其内部的幻觉问
PDF8 months ago
视频 LLaVA：前投影前学习统一视觉表示
该研究论文提出了一种统一的大规模视觉语言模型（LVLM），通过在语言特征空间中统一视觉表示，学习多模态交互，从而在图像和视频基准任务上取得了卓越性能。
PDF8 months ago
VisPercep：一种增强视觉感知能力的视觉语言方法（面向盲人和视力障碍人群）
本文提出了一种创新的方法，利用大型视觉语言模型增强盲人和视力低下人士的视觉感知，提供周围环境的详细综合描述并警示潜在风险。该方法通过整合图像识别结果和用户查询，使用大型视觉语言模型根据提示生成环境的详细描述，并通过分析环境对象和场景来识别潜
PDF8 months ago