跳到正文
arXiv · 机器人与计算机视觉· Han Hu, He Chen·· 28 天前AI 评分38

Vision-Language Models 在热成像人机交互中的失效模式分析

Failure Modes of Vision-Language Models for Human Activity Understanding in Thermal HRI

AI 导读

研究评估了七款本地部署的视觉语言模型(VLM)在两种以人为中心的热成像数据集上的表现,发现其虽能识别宽泛活动类别,但在咳嗽、打喷嚏等细粒度动作及物体相关幻觉上存在显著缺陷。简单的热成像预处理与额外推理仅带来有限的模型依赖增益,且模型在明确指令下的拒绝回答行为差异较大,限制了其在实际机器人应用中的可靠性。

来源:arXiv · 机器人与计算机视觉 · arxiv.org