Francisco Nogueira de Brito

新的多语言数据集和模型推动视觉对象关联

研究人员开发了一种新的指代表达理解（REC）方法，该方法解决了当前研究主要以英语为中心的特点。他们通过翻译和增强现有的英语REC基准，构建了一个涵盖10种语言的多语言数据集。此外，他们引入了一种高效的神经网络架构，该架构利用多语言SigLIP2编码器和基于注意力机制来生成和优化用于对象定位的空间锚点。该系统在标准基准上表现出竞争力，并在各种语言中展现出一致的能力，突显了高效多语言视觉关联的可行性。