基于图像-文本大模型CLIP微调的零样本参考图像分割

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘 要：近年来，以CLIP为代表的视觉-语言大模型在众多下游场景中显示出了出色的零样本推理能力，然而将CLIP模型迁移至需要像素水平图-文理解的参考图像分割中非常困难，其根本原因在于CLIP关注图像-文本整体上的对齐情况，却丢弃了图像中像素点的空间位置信息。鉴于此，以CLIP为基础模型，提出了一种单阶段、细粒度、多层次的零样本参考图像分割模型PixelCLIP。（剩余17370字）

试读结束

目录
monitor