跳到正文
arXiv · 机器人与计算机视觉· Rahim Hossain, Dipanwita Saha, Ashirbad Mishra, Xinxin Shu, Svetlana Strunjas, Binbin Li·· 12 小时前AI 评分48

LoCaR:冻结视觉语言模型的局部画布检索框架

LoCaR: Localized Canvas Retrieval With Frozen Vision-Language Model

AI 导读

LoCaR 是一个无需训练的框架,利用冻结的视觉语言模型与独立 SAM2 提案构建局部图像表示以优化小物体检索。研究引入基于 Visual Genome 的 LOCFG 基准进行评测,结果显示提升区域表征本身是主要增益来源。该工作涵盖零样本及局部检索任务,代码或权重开放许可情况未明确说明。

来源:arXiv · 机器人与计算机视觉 · arxiv.org