SigLIP 2:多语言视觉-语言编码器,提升语义理解、本地化和密集特征

💡 原文中文,约700字,阅读约需2分钟。
📝

内容提要

本研究介绍了SigLIP 2,一种改进的多语言视觉-语言编码器,旨在提升语义理解和本地化能力。研究表明,SigLIP 2在零-shot分类和图像-文本检索等任务上优于前版本,并在密集预测任务中也有显著进步。

🏷️

标签

➡️

继续阅读