Effiziente Methode zur Reduzierung von Objekthalluziationen in großen Vision-Sprache-Modellen
Eine effiziente Methode, die LVLM-generierte Beschreibungen nachträglich korrigiert, um Objekthalluziationen zu reduzieren.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen mithilfe von Diffusionsmodellen für Text-zu-Video
Durch die Nutzung der erlernten Repräsentationen von vortrainierten generativen Text-zu-Video-Diffusionsmodellen können Videoverstehensaufgaben wie die referenzbasierte Videoobjektsegmentierung deutlich verbessert werden, insbesondere in Bezug auf die zeitliche Konsistenz der Segmentierungsergebnisse.
Kontinuierliche Gebärdenspracherkennung durch Trajektorien und korrelierte Regionen
TCNet, ein hybrides Netzwerk, extrahiert effektiv räumlich-zeitliche Informationen aus Trajektorien und korrelierten Regionen, um die Leistung der kontinuierlichen Gebärdenspracherkennung zu verbessern.
Aktionsbasiertes Lernen atomarer Konzepte zur Entschlüsselung der Verknüpfung von Vision und Sprache in der Navigation
Durch das Abbilden visueller Beobachtungen auf aktionsbasierte atomare Konzepte kann die Ausrichtung zwischen Beobachtungen und Anweisungen vereinfacht und die Interpretierbarkeit der Aktionsentscheidungen verbessert werden.
Tiefe Lernmethoden für die visuelle Sprachanalyse: Eine Übersicht
Tiefe Lernmethoden haben in den letzten Jahren enorme Fortschritte in der visuellen Sprachanalyse erzielt, insbesondere bei der automatischen visuellen Spracherkennung und -generierung. Diese Arbeit bietet einen umfassenden Überblick über die jüngsten Entwicklungen in diesem Bereich, einschließlich Problemdefinitionen, Herausforderungen, Benchmark-Datensätze, Taxonomie bestehender Methoden und den aktuellen Stand der Technik.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen: Ein selbstgesteuertes, mehrstufiges Modell für die Interaktion zwischen Sprache und Bild zur Erfassung von Referenzausdrücken
Ein selbstgesteuertes, mehrstufiges Modell für die Interaktion zwischen Sprache und Bild, das die Fähigkeit zur sprachgesteuerten Lokalisierung durch Innovationen in der Netzwerkstruktur und im Lernmechanismus verbessert.
© 2024 by Linnk AI