多模态

• 图像描述中的 Beam Search：为什么搜索策略对生成质量影响这么大 2天前 多模态
• Show, Attend and Tell：注意力机制怎么让模型在生成描述时关注图片的不同区域 2天前 多模态
• 视觉定位（Visual Grounding）是什么？给模型一段文字，让它找到图中的物体 2天前 多模态
• 图像描述（Image Captioning）的技术演进：从编码器-解码器到视觉语言大模型 2天前 多模态
• 多模态 VQA 的评估：CIDEr、BLEU、ROUGE——哪种指标最接近人类判断 3天前 多模态
• 多模态模型的显存占用对比：推理一张图片需要多少 GPU 显存 3天前 多模态
• VQA 中的常识推理：「图中的人在做什么饭」——需要知道食材和菜品的关系 4天前 多模态
• 多模态模型的参数量和性能关系：是不是 70B 一定比 7B 好 4天前 多模态
• 视频 VQA：不只是看一张图，还要看一段视频来回答问题 4天前 多模态
• 开放式 VQA 和二元 VQA 的区别：「这是什么」vs「这个人是男性吗」 4天前 多模态

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