跳到正文
arXiv · 机器人与计算机视觉· Parsa Esmaeilkhani, Longin Jan Latecki·· 24 天前AI 评分56

面向自回归视觉语言模型的视觉对象锚定角监督方法

Angular Supervision for Visual Object Grounding in Autoregressive Vision-Language Models

AI 导读

针对自回归视觉语言模型难以将生成文本准确锚定到图像区域的难题,本文提出基于视觉 token 嵌入与解嵌入矩阵行余弦相似度的角相关性(Angular Relevance)可视化度量。

来源:arXiv · 机器人与计算机视觉 · arxiv.org