multimodal

泡泡茶壶_ovo21 天前
人工智能·深度学习·计算机视觉·imagecaptioning·multimodal
Zero-Shot Image Captioning with Multi-type Entity Representations（AAAI 2025）研究方向：Image Captioning传统方法通常需要大量的图像-文本对数据进行训练，这在数据获取方面提出了挑战；
泡泡茶壶_ovo1 个月前
llms·multimodal
RETHINKING VISUAL INFORMATION PROCESSING IN MULTIMODAL LLMS研究方向：Image Captioning本文提出了LLaViT，一种扩展的视觉Transformer，它通过三个关键修改使LLM能够同时充当视觉编码器：
我是有底线的