对于通用视觉感知同时进行对齐和提示

本研究提出了一种名为PEVL的显式目标位置建模方法，用于提高VLP模型在特定视觉-语言任务上的性能。该方法将离散化目标位置与语言内容整合到一个语言建模框架中，实现显式的视觉-语言对齐，并为各种下游任务提供了灵活的提示微调方式。实验结果显示，PEVL在无检测器的VLP模型上能够取得最先进的性能，并提高在具有定位敏感输入的任务上的性能。