vision-language | BriefGPT - AI 论文速递

关键词vision-language

搜索结果 - 49

ACLCLIP 模型是少样本学习器：基于 VQA 和视觉蕴涵的实证研究
本文实证表明，CLIP 通过利用语言的能力可以成为强大的视觉 - 语言少样本学习器。我们评估了 CLIP 在典型的视觉问答任务和视觉蕴含任务的零样本性能，并提出了一种参数有效的微调策略，以提高少样本性能，最终取得了有竞争力的零样本 /few
PDF2 years ago
视觉 - 语言智能：任务、表示学习与大模型
这篇论文从时间的角度对视觉语言智能进行了全面的调研，总结了三个时期的发展，包括特定任务方法，视觉 - 语言预训练方法和通过大规模弱标签数据增强的更大模型，并讨论了未来的发展趋势.
PDF2 years ago
循环双向交互的基于短语的可供性检测
本文提出了一种基于视觉 - 语言角度的，循环双边一致性增强网络（CBCE-Net）来检测与对象互动的可能性，通过对公开的 Purpose-driven Affordance Dataset (PAD) 进行扩展，使用短语注释了能力类别。实验
PDF2 years ago
FILIP：细粒度的交互式语言图像预训练
本文介绍一种利用跨模态后期交互机制实现精细级别对齐的大规模 Fine-grained 互动语言 - 图像预训练（FILIP）方法，并构建了一个用于预训练的新的大规模图像 - 文本对数据集。实验结果显示，FILIP 在多个视觉 - 语言任务中
PDF3 years ago
ICML使用带噪文本监督扩展视觉和视觉语言表示学习
本文利用包含超过 10 亿个图像备选文本对的嘈杂数据集，采用简单的双编码器体系结构通过对比损失，学习了图像和文本对的视觉和语言表示，显示出我们语料库的规模可以弥补其噪音，即使使用这样的简单学习方案也能实现最先进的表现，使跨模式搜索变得更加容
PDF3 years ago
AAAI通过场景图增强知识的视觉 - 语言表示：ERNIE-ViL
ERNIE-ViL 是一种以结构化场景图中的知识为基础的知识增强方法，通过构建预测任务，即物体预测、属性预测和关系预测任务，学习视觉 - 语言的联合表征，能在多种跨模态下游任务中取得最先进的表现。
PDF4 years ago
ImageBERT：利用大规模弱监督图像 - 文本数据的跨模态预训练
本文提出了一种新的视觉 - 语言预训练模型 ——ImageBERT，用于图像 - 文本联合嵌入，该模型基于 Transformer，可以将不同的模态作为输入，并建模它们之间的关系。通过多阶段的预训练策略，可以提高预训练质量，最终在图像检索和
PDF4 years ago
ICCV语言特征的重要性：用于视觉 - 语言任务的有效语言表示
文章研究了在视觉 - 语言 (VL) 任务中如何处理语言和视觉特征，提出了一些对于语言发挥更大作用的最佳实践，包括使用平均嵌入语言模型，进行多任务训练以及采用图形导向的视觉 - 语言嵌入模型（GrOVLE）来整合语言特征。
PDF5 years ago
CVPR通过可变上下文将指代表达式与图像联系起来
本文提出了一种变分贝叶斯方法，名为变分语境，用于解决指代表达的复杂上下文建模问题，在具有监督学习和无监督学习的情况下对各种基准进行广泛实验，都得到了优秀的结果。
PDF7 years ago