2021 CVPR 《VLN BERT: A Recurrent Vision-and-Language BERT for Navigation》论文阅读笔记2

初篱

已于 2023-04-19 10:15:48 修改

阅读量279

点赞数 1

分类专栏：视觉语言导航VLN 文章标签： bert 论文阅读深度学习

于 2023-04-13 14:44:14 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_44100524/article/details/130076275

版权

视觉语言导航VLN 专栏收录该内容

22 篇文章 35 订阅 ¥19.90 ¥99.00

订阅专栏

整个模型可表示为： $s_t,p_t^a,p_t^o=VLN-BERT(s_{t-1},X,V_t,O_t)$

输入为之前的状态S_t-1、整个文本特征X、新观察到的场景视觉特征Vt和对象的视觉特征Ot。

输出为新的状态 $S_{t}$ ，动作概率 $p_{t}^{a}$ 和目标概率 $p_{t}^{o}$ （仅数据集PEVERIE）。

1）在初始化阶段，

s_0,X=VLN-BERT([CLS],U,[SEP])

借助预训练模型

了解本专栏

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
打赏
1
评论
2021 CVPR 《VLN BERT: A Recurrent Vision-and-Language BERT for Navigation》论文阅读笔记2

首先计算模型最后一层中每个头的状态和语言的得分，然后将所有注意头的分数求和然后平均，并应用softmax函数得到总体的状态语言权重，接着和原始文本X相乘得到该状态下的文本特征。得到最后一层的输出状态特征和最后一层的视觉特征。在导航过程中，将状态序列、语言特征序列和新观察到的视觉观测信息分别输入到跨模态编码器和单模态编码器，以获得更新的状态和决策概率。输入为之前的状态S_t-1、整个文本特征X、新观察到的场景视觉特征Vt和对象的视觉特征Ot。的视觉图像特征投影到与文本特征相同的空间上，然后输入到模型中。
复制链接

扫一扫

专栏目录

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

初篱 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。