BriefGPT - AI 论文速递
·
基于 LLM 的层次化概念分解方法用于可解释的细粒度图像分类
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该论文提出了一种基于文本监督的语义分割方法，通过使用图像 - 文本对进行对比学习，实现了视觉分割与文本的对齐。实验结果表明，该方法优于现有的文本监督的语义分割方法。
🎯
关键要点
- 该论文提出了一种基于文本监督的语义分割方法。
- 该方法通过图像 - 文本对进行对比学习，实现视觉分割与文本的对齐。
- 提出了一种新颖的框架，称为图像 - 文本协同分解（CoDe）。
- 在CoDe框架中，配对的图像和文本被共同分解为图像区域和单词片段。
- 采用对比学习来强制执行区域 - 单词的对齐。
- 提出了一种提示学习机制，以突出显示感兴趣的图像段落或单词片段。
- 实验结果表明，该方法在六个基准数据集上优于现有的文本监督的语义分割方法。
➡️
