arXiv · 机器人与计算机视觉· Bo Ma, Weiqi Yan, Jinsong Wu·· 9 天前AI 评分73
模块化定位中冻结视觉语言查询的选择失败诊断:Qwen2.5-VL 与 Qwen3-VL 对比分析
Where Does Proposal Selection Fail? Diagnosing Frozen Vision-Language Queries over Detector Proposals
AI 导读
该论文研究在模块化定位架构下,当冻结检测器生成的候选区域覆盖至少 99.8% 的 RefCOCO/+/g 查询时,VLM 选择机制的失效原因。研究发现 VLM 的图像条件化查询编码优于纯文本查询,但在分布外场景(如 Objects365)及推理基准上,基于冻结提案的选择策略性能显著低于直接解码坐标;此外,训练后的验证器仅退化为存在性探测,无法超越 VLM 的直接判断能力。
来源:arXiv · 机器人与计算机视觉 · arxiv.org