PulseAugur
中
实时 06:24:47
English(EN) CL-CLIP: CLIP-Based Continual Learning Framework with Cost-Volume Category Decoupling for Object Detection

新的CL-CLIP框架利用CLIP增强持续目标检测能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了CL-CLIP，一个用于持续目标检测的新框架，该框架利用CLIP的视觉语言能力。该方法旨在使目标检测器能够随着时间的推移学习新类别，而不会忘记先前获得的知识。CL-CLIP采用成本量化引导的类别解耦方法来处理视觉令牌和类别文本嵌入，从而提高了在PASCAL VOC和MS-COCO等数据集上的性能。 AI

影响 增强了AI模型随时间学习新视觉类别而不会发生灾难性遗忘的能力。

排序理由 该集群包含一篇详细介绍目标检测新框架的学术论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Zihan Liu, Yuguang Yang, Shengjie Su, Jianing Pang, Linlin Yang, Chunyu Xie, Nikolai Yu. Zolotykh, Baochang Zhang ·

    CL-CLIP: 基于CLIP的持续学习框架，采用成本体积类别解耦用于目标检测

    arXiv:2606.06978v1 Announce Type: new Abstract: Continual Object Detection (COD) requires a detector to acquire new categories over time while preserving previously learned ones. This goal is closely related to open-vocabulary detection, since both settings require reasoning over…

  2. arXiv cs.CV TIER_1 English(EN) · Baochang Zhang ·

    CL-CLIP: 基于CLIP的持续学习框架，采用成本体积类别解耦进行目标检测

    Continual Object Detection (COD) requires a detector to acquire new categories over time while preserving previously learned ones. This goal is closely related to open-vocabulary detection, since both settings require reasoning over categories that are not fully covered by the an…

相关实体

相关话题