通过语义基础解决视觉语言任务中目标提议评估的不匹配

本文介绍了一种基于CLIP模型和图像水平监督的对象中心对齐方法，通过伪标注实现高质量对象提议并扩展词汇表，结合两种对象对齐策略，最小化OVD方案中对象和图像中心表示的差距。在COCO数据集上，该方法在新颖类别上取得了36.6的AP50表现，超过以前的最佳性能。在LVIS上，罕见类别的掩膜AP超过了最新的ViLD模型达到5.0，总体提高了3.4。