ZSE-Cap:一种用于图像检索和提示引导式字幕生成的零样本集成方法-计算机科学-图像检索-图像字幕生成-视觉语言模型.pdfVIP

ZSE-Cap:一种用于图像检索和提示引导式字幕生成的零样本集成方法-计算机科学-图像检索-图像字幕生成-视觉语言模型.pdf

  1. 1、本文档共7页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

ZSE-Cap:一种用于图像检索和提示引导式

字幕生成的零样本集成方法

Duc-TaiDinh∗DucAnhKhoaDinh∗

ductai.dt05@dinhducanhkhoa@

UniversityofScience,VNU-HCMUniversityofScience,VNU-HCM

HoChiMinhCity,VietnamHoChiMinhCity,Vietnam

RetrieveCaptioning

CLIPEnsemblescoreRetrievedimagePrompt

本QueryimageSigLIP

译Articleof

中DINOv2VectordatabaseretrievedimageGemma3Enrichedcaption

1

v

4

6图1.ZSE-Cap的图像检索和描述管道流程

5

0摘要文章中的高层事件与图像中的视觉内容联系起来。我

2

.们的系统在私有测试集上获得了0.42002的最终得分,

7我们提出了ZSE-Cap(零样本集成用于图像字幕生成),

0成功占据了前四名的位置,展示了通过集成和提示结

5这是我们参加事件增强图像分析(EVENTA)共享任

2务中的第4名系统,该任务涉及基于文章的图像检索合基础模型的有效性。我们的代码可在https://github.

:com/ductai05/ZSE-Cap获取。

v和字幕生成。我们的零样本方法不需要在比赛数据上

i

x进行微调。对于检索,我们将CLIP、SigLIP和DINOv2CCSConcepts:•Informationsystems→Informa-

r

a的相似度分数进行了集成。对于字幕生成,我们利用tionretrieval;•Computingmethodologies→Com-

精心设计的提示来引导Gemma3模型,使其能够将putervision;Naturallanguagegeneration.

∗Bothauthorscontributedequallytothisresearch.Keywords:图像检索,图像字幕生成,集成评分,视

觉语言模型,事件中心的视觉语言

Permissiontomakedigitalorhardcopiesofallorpartofthiswork

文档评论(0)

zikele + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档