登录社区云，与社区用户共同成长
邀请您加入社区
我们的论文《基于 grounding 的视觉语言模型的动态推理》探索了大型视觉语言模型中的计算冗余问题，通过动态跳过网络层、丢弃输入标记和融合多模态标记来解决这一挑战，这些操作都基于输入的图像-文本对进行条件化。使用我们的LEMaRT方法预训练我们的SwinIH模型，在图像协调方面达到了新的最先进水平，同时具有标签效率，即与现有方法相比，微调消耗的标注数据更少。为了解决这一挑战，我们引入了一种新颖
