多尺度超像素结构差异图卷积网络用于 VL 表示

该论文提出了一种基于预训练模型的多模态语义表示方法，使用超像素和多尺度差异图卷积网络提高视觉语义表达的准确性和精度，在多个下游任务学习方面表现出与其他先进方法的竞争力。