跳到正文
arXiv · 机器人与计算机视觉· Akul Santhosh, Aastha Jhunjhunwala·· 16 天前精选AI 评分83

FOCUS:一种用于高效视觉语言理解的闭环注意力反馈方法

FOCUS: Closed-Loop Attention Feedback for Efficient Vision-Language Understanding

AI 导读

论文介绍 FOCUS,这是一个无需训练的三层框架,旨在减少视频处理中 Vision-Language Models (VLMs) 的调用次数并引导模型关注重要内容。

推荐理由

提出无需训练的三层框架,通过时序门控与自顶向下注意力先验降低 VLM 调用次数并聚焦关键区域。

来源:arXiv · 机器人与计算机视觉 · arxiv.org