题目:Enhancing Visual Grounding in Vision-Language Pre-Training With Position-Guided Text Prompts
增强视觉-语言预训练中的视觉定位与位置引导文本提示
作者:Alex Jinpeng Wang; Pan Zhou; Mike Zheng Shou; Shuicheng Yan
摘要
视觉-语言预训练(VLP)在图像和文本对齐方面展示了巨大的潜力,为广泛的跨模态学习任务铺平了道路。然而,我们观察到 VLP 模型在视觉定位和局部化能力方面经常表现不佳,而这些能力对许多下游任务,如视觉推理,至关重要。为此,我们提出了一种新颖的位置引导文本提示(PTP)范式,以增强使用 VLP 训练的跨模态模型的视觉定位能力。在 VLP 阶段,PTP 将图像划分为 N ×