返回
CLIP-based knowledge projector for image–text matching
DOI:10.1016/j.ipm.2025.104357.png)
摘要
En 中文
• 我们提出了一种知识投影网络,该网络将CLIP(Radford et al., 2021)中的先验知识视为教师,以指导槽注意力生成过程。
• 使用了一个自适应加权融合模块,用于将全局特征融入槽表示中。
• 提出了一种有效的相似度计算方法,用于与细粒度图像-文本匹配方法进行比较。结果表明,我们的方法优于CLIP和最新的图像-文本对齐算法。
Keyword:
Image–text matching
Multimedia analysis
Slot attention
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
引用论文
GeoVLN: Learning Geometry-Enhanced Visual Representation with Slot Attention for Vision-and-Language NavigationGeoVLN: 基于槽位注意力学习几何增强型视觉表示,用于视觉与语言导航
Simignore: Exploring and enhancing multimodal large model complex reasoning via similarity computationSimignore: 通过相似性计算探索和增强多模态大模型复杂推理
NEURAL NETWORKS
IF6.3
Multi-SEA: Multi-stage Semantic Enhancement and Aggregation for image-text retrievalMulti-SEA:用于图像-文本检索的多阶段语义增强与聚合

