研究人员开发了一种名为WhereBits的新型视觉语言模型(VLM)视觉定位方法,该方法不需要显式的边界框标注。该技术利用VLM内部的“看哪里”注意力模式,以比特为单位进行测量,以识别能够准确地定位查询对象的层。在COCO和RefCOCO等各种VLM和数据集上,WhereBits的表现与依赖标记数据的方法相当或更优,并且在未见过的模型家族和更高分辨率下也显示出有效性。 AI
影响 为VLM中的视觉定位提供了一种更高效、数据需求更少的方法,有望提高它们理解和与视觉信息交互的能力。
排序理由 详细介绍VLM视觉定位新方法的学术论文。[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 →