新的多语言数据集和模型推动视觉对象关联

研究人员开发了一种新的指代表达理解（REC）方法，该方法解决了当前研究主要以英语为中心的特点。他们通过翻译和增强现有的英语REC基准，构建了一个涵盖10种语言的多语言数据集。此外，他们引入了一种高效的神经网络架构，该架构利用多语言SigLIP2编码器和基于注意力机制来生成和优化用于对象定位的空间锚点。该系统在标准基准上表现出竞争力，并在各种语言中展现出一致的能力，突显了高效多语言视觉关联的可行性。 AI

影响 通过克服对象定位中以英语为中心的限制，实现了更具全球适用性的视觉关联系统。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了一个用于多语言指代表达理解的新数据集和模型架构。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Francisco Nogueira de Brito
• Gotit.pub
• Hugging Face
• ScienceCast
• SigLIP2

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →