基于模态预融合的三维指称表达理解

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘 要：三维指称表达理解（3D VG）旨在通过理解指称表达来准确定位三维场景中的目标对象。现有3D VG研究通过引入文本和视觉分类任务优化文本和视觉编码器，这种方法可能由于文本和视觉特征的语义不对齐，从而导致模型难以在场景中定位文本描述的视觉对象。此外，3D VG数据集有限的数据量和复杂的模型结构往往导致模型过拟合。（剩余19058字）

试读结束

目录
monitor