跳到正文
arXiv · 机器人与计算机视觉· Kishor Datta Gupta, Ahmed Rafi Hasan, Md. Mahfuzur Rahman, Faysal Mehrab Chowdhury, Mohd Ariful Haque·· 12 小时前AI 评分58

WALDO:基于世界模型特征的单样本杂乱场景实例检测

WALDO: One-Shot Exemplar-Conditioned Object Detection in Cluttered Scenes with World-Model Features

AI 导读

arXiv 论文 WALDO 提出一种无需针对每个物体单独训练的实例检测方法。该方法将冻结的自监督图像特征(DINOv3)与视频世界模型特征(V-JEPA 2.1)进行融合,利用轻量级条件头在杂乱真实场景中定位特定物体实例。研究指出,通过模型图像通路读取 V-JEPA 的特征可改善其定位性能,且两种特征互补;相比强视觉语言模型,该方法显著提升了单样本查询下的实例定位效率与精度。

来源:arXiv · 机器人与计算机视觉 · arxiv.org