BriefGPT.xyz
大模型
Ask
alpha
关键词
video-text tasks
搜索结果 - 4
InternVideo2:面向多模态视频理解的视频基础模型的扩展
我们介绍 InternVideo2,这是一种新的视频基础模型(ViFM),在动作识别、视频文本任务和以视频为中心的对话中实现了最先进的性能。我们的方法采用渐进训练范式,统一了掩码视频令牌重建、跨模态对比学习和下一个令牌预测的不同自我或弱监督
→
PDF
3 months ago
COSA: 连接样本预训练的视觉 - 语言基础模型
本研究提出了 COSA,一种 COncatenated SAmple 预训练视觉语言基础模型,它通过仅使用图像 - 文本语料库,联合建模视觉内容和事件级时间线索,使现有的图像 - 文本语料库转化为一种伪长篇视频 - 段落语料库,并在包括检索
→
PDF
a year ago
X$^2$-VLM:图像和语言任务的多功能预训练模型
这篇论文提出了一种名为 multi-grained vision language pre-training 的视觉语言联合预训练方法,它可以在多个粒度上学习视觉语言对齐。该论文还提出了一个名为 X$^2$-VLM 的预训练模型,它采用了模
→
PDF
2 years ago
视觉 - 语言预训练:基础、最新进展和未来趋势
本文研究多模态智能领域的视觉 - 语言预训练方法,分为三类分类,包含图像 - 文本、核心计算机视觉和视频 - 文本任务,针对每类任务,提出了针对性的方法,分别探究了研究进展和存在的挑战并讨论了更先进的主题。
PDF
2 years ago
Prev
Next