聚合与适应自然语言提示以提升CLIP的下游泛化能力
原文英文，约300词，阅读约需1分钟。发表于：。Large pretrained vision-language models like CLIP have shown promising generalization capability, but may struggle in specialized domains (e.g., satellite imagery) or fine-grained classification...
大型预训练视觉语言模型如CLIP在特定领域（如卫星图像）和细粒度分类（如汽车模型）中表现不佳。本文提出聚合与适应提示嵌入（AAPE），通过提炼自然语言提示的文本知识，改进提示学习，能够有效适应下游任务，并在少量标注数据下表现优异。AAPE在视觉语言理解和生成任务中具有竞争力，尤其适用于非典型和OOD示例，同时降低推理成本。
