两篇新研究论文介绍了视觉基础的新方法,这项任务涉及根据文本描述识别图像中的特定对象或区域。第一篇论文“SemGeo”提出了一个令牌高效的框架,该框架为每个实例使用单个网格令牌进行粗略定位,然后使用几何解码器并行精确恢复坐标。该方法在多个基准测试中取得了最先进的结果,并提高了生成吞吐量。第二篇论文“Grounding Across Views”通过开发一个视图感知框架来解决跨视图对象地理定位问题,该框架构建以目标为中心的证据和区分性的跨视图对应关系,在 MoP-UAV 和 CVOGL-Text 等基准测试中表现优于现有方法。 AI
影响 这些论文引入的新技术可以提高人工智能系统根据文本描述理解和定位图像中对象的效率和准确性。
排序理由 两篇在 arXiv 上发表的学术论文,详细介绍了视觉基础的新方法。
- arXiv
- cross-view object geo-localization
- CVOGL-Text
- document layout grounding
- Grounding Across Views
- Hugging Face
- MLLMs
- MoP-UAV
- object detection
- referring object detection
- SemGeo
- transformers
- vLLM
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →