多模态

• 视频描述（Video Captioning）：从单帧描述到时序描述——需要理解动作和事件 1天前 多模态
• 密集描述（Dense Caption）和区域描述的差异：一个给全图，一个给局部 1天前 多模态
• 图像描述中的细节丢失：模型说「一个人和一只狗」，但没说狗是什么品种 1天前 多模态
• 多模态大模型的图像描述能力：GPT-4V 和专用模型的描述有什么不同 1天前 多模态
• 图像描述的评价指标：CIDEr、SPICE、METEOR——哪个和人类判断最一致 1天前 多模态
• Grounding SAM：Grounding DINO + SAM = 自动检测 + 自动分割的完整方案 1天前 多模态
• Grounding DINO：怎么把目标检测和文本描述结合起来——开放集检测的突破 1天前 多模态
• 视觉定位的数据集：ReferItGame、RefCOCO、RefCOCO+ 有什么区别 1天前 多模态
• 自我批评训练（Self-Critical Training）：用强化学习让模型自己改进图像描述 2天前 多模态
• Dense Captioning：不只描述整张图，还要给每个区域写说明——结合了检测和描述 2天前 多模态

• 2 / 7
• 上一页
• 1
• 2
• 3
• 4
• 5
• 6
• 下一页