关于 CLIP 在组合逻辑推理中的潜力

CLIP（Contrastive Language-Image Pre-training）是一种多模态视觉模型，通过CLIP Surgery方法提升了解释性和性能。在开放词汇任务中，获得了显着提高，如NUS-Wide多标签识别上的4.41%平均精度提升，Cityscapes开放词汇语义分割任务上的mIoU超过了现有方法的8.74%。