研究人员开发了一种名为CAPTOR的新颖方法,该方法无需配对的文本编码器即可实现基于文本的图像引导。该方法将图像编码器的patch token聚类为“视觉词”,并分析字幕共现来估计术语-patch矩阵。与现有的无训练基线相比,CAPTOR在COCO、Pascal VOC和Cityscapes等基准测试中表现出卓越的性能,甚至可以与经过文本对齐训练的模型相媲美。该方法在专业领域也显示出潜力,在乳腺癌幻灯片分析上表现优于强大的基线。 AI
影响 该方法可以为未经过语言训练的模型实现基于文本的图像分析,从而拓宽在专业领域的应用。
排序理由 该集群包含一篇详细介绍计算机视觉新方法的学术论文。[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 →