공간 인지를 활용한 텍스트-이미지 사전 훈련: TIPS

TIPS는 합성 이미지 캡션과 자기 지도 학습 기법을 활용하여 밀집 예측 및 이미지 수준 예측 작업 모두에서 우수한 성능을 달성하는 범용 이미지-텍스트 인코더입니다.