研究人员推出了一种新颖的视觉语言模型适配器PROVE,该适配器通过提供概率输出来增强视觉定位。与确定性方法不同,PROVE将冻结的CLIP斑块特征映射到Beta分布,使其能够指示定位的可靠性并检测参照物的缺失。这种方法将定位视为斑块级别的成员资格,累积支持或反对某个斑块属于参照物的证据。PROVE在定位准确性方面具有竞争力,并提供用于选择性预测的不确定性跟踪,使其成为更强大的视觉语言系统的宝贵工具。 AI
影响 增强了视觉语言模型在视觉定位任务中的可靠性和不确定性量化。
排序理由 介绍视觉语言模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →