CLIP-TD：視覚言語タスクのためのCLIPターゲット蒸留
CLIP-TD: CLIP Targeted Distillation for Vision-Language Tasks 対照的な言語画像事前トレーニング（CLIP）は、視覚と言語モダリティを統合された埋め込みスペースにリンクし、視覚言語（VL）タスクの大きな可能性を生み出します。初期の並行作業では、タスクのサブセットでこの可能性の調査が開始されましたが、重要な質問が残っています。1）調査されていないVLタスクでのCLIPの利点は何ですか。 2）CLIPは、ローショットまたはドメインシフトのシナリオでメリットをもたらしますか？ 3）CLIPは、推論や事前トレーニングの複雑さに影響を与えることなく、既存のアプローチを改善できますか？この作業では、2つの重要な貢献を通じてこれらの質問に答えることを目指しています。最初に、さまざまなデータ可用性の制約とドメインシフトの条件にわたって、Visua
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
https://arxiv-check-250201.firebaseapp.com/each/2312.17648v2
https://arxiv-check-250201.firebaseapp.com/each/2312.03052v2
https://arxiv-check-250201.firebaseapp.com/each/2311.09612v2
https://arxiv-check-250201.firebaseapp.com/each/2403.18795v2
https://arxiv-check-250201.firebaseapp.com/each/2402.15832v2
https://arxiv-check-250201.firebaseapp.com/each/2312.17648v1
https://arxiv-check-250201.firebaseapp.com/each/2312.03052v1
https://arxiv-check-250201.firebaseapp.com/each/2311.09612v1
クラス分布の不一致下での重みを意識した蒸留による半教師あり学習
改善された視覚言語推論による CLIP の拡張
改善された視覚言語推論による CLIP の拡張
マルチモーダル固有表現認識およびマルチモーダル関係抽出のための思考連鎖プロンプト蒸留
https://arxiv-check-250201.firebaseapp.com/each/2305.14093v3
CLIP-FO3D: 2D Dense CLIP から無料のオープンワールド 3D シーン表現を学ぶ
夜間の熱赤外線画像のカラー化のための記憶誘導共同注意
複数人の 3D 人体姿勢推定のための明示的オクルージョン推論
一時的な文の接地のための視覚と言語のバイアスを減らす
CLIP-TD：視覚言語タスクのためのCLIPターゲット蒸留
視覚言語タスクのためのユニモーダルエンコーダを活用するためのマルチモーダル適応蒸留