研究人员开发了LoCaR,一个新颖的框架,旨在无需重新训练模型即可改进本地化文本到图像检索。该方法利用独立的物体提议(如SAM2)来生成本地化表示,并使用冻结的视觉编码器分别编码每个区域。该框架还引入了配对支持适配,这是一种可选的残差技术,利用匹配的文本-区域示例。为了评估其有效性,创建了一个名为LOCFG的新基准,该基准源自Visual Genome,专门用于评估针对更小、更具挑战性对象的本地化检索。 AI
影响 该框架可以通过关注本地化对象表示来提高图像搜索和检索系统的准确性和特异性。
排序理由 这是一篇详细介绍图像检索新框架的研究论文。[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 →