- 博客(2)
- 收藏
- 关注
RSS订阅原创 《论文笔记》ViP-LLaVA:Making Large Multimodal Models Understand Arbitrary Visual Prompts
（2）对于具有真实像素级掩膜标注（ground truth pixel-level mask annotations）的区域，我们从以下 8 种视觉提示中进行采样并进行标注：矩形（rectangle）、椭圆（ellipse）、点（point）、三角形（triangle）、掩膜填充（mask）、掩膜轮廓（mask contour）、箭头（arrow）以及使用贝塞尔曲线（Bézier curves）生成的涂鸦（scribble）（如下图所示）。然而，这些模型通常采用固定的视觉指代格式，这对于用户而言不够直观。
2025-06-07 16:39:42
655
1
原创 论文笔记《End-to-End Temporal Action Detection with 1B Parameters Across 1000 Frames》
《End-to-End Temporal Action Detection with 1B Parameters Across 1000 Frames》论文个人总结！！
2025-01-11 20:18:07
732
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人