「cs.CV」カテゴリーアーカイブ

Precise Model Benchmarking with Only a Few Observations

投稿日: 2024年10月8日 作成者: jarxiv

要約 大規模な質問応答データセット内の特定のトピックに属する質問に対する大規模言 … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, stat.AP | Precise Model Benchmarking with Only a Few Observations はコメントを受け付けていません

TuneVLSeg: Prompt Tuning Benchmark for Vision-Language Segmentation Models

投稿日: 2024年10月8日 作成者: jarxiv

要約 視覚言語モデル (VLM) は、視覚タスクにおいて優れたパフォーマンスを示 … 続きを読む →

カテゴリー: cs.CL, cs.CV | TuneVLSeg: Prompt Tuning Benchmark for Vision-Language Segmentation Models はコメントを受け付けていません

Navigating the Digital World as Humans Do: Universal Visual Grounding for GUI Agents

投稿日: 2024年10月8日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) は、グラフィカル ユーザー … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV | Navigating the Digital World as Humans Do: Universal Visual Grounding for GUI Agents はコメントを受け付けていません

mDPO: Conditional Preference Optimization for Multimodal Large Language Models

投稿日: 2024年10月8日 作成者: jarxiv

要約 直接設定最適化 (DPO) は、大規模言語モデル (LLM) の調整に効果 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG | mDPO: Conditional Preference Optimization for Multimodal Large Language Models はコメントを受け付けていません

Grounding Partially-Defined Events in Multimodal Data

投稿日: 2024年10月8日 作成者: jarxiv

要約 ビデオの短い断片だけから、複雑な時事問題についてどのようにして知ることがで … 続きを読む →

カテゴリー: cs.CL, cs.CV | Grounding Partially-Defined Events in Multimodal Data はコメントを受け付けていません

Lightning UQ Box: A Comprehensive Framework for Uncertainty Quantification in Deep Learning

投稿日: 2024年10月7日 作成者: jarxiv

要約 不確実性定量化 (UQ) は、DNN 出力にある程度の信頼性を与えるため、 … 続きを読む →

カテゴリー: cs.CV, cs.LG | Lightning UQ Box: A Comprehensive Framework for Uncertainty Quantification in Deep Learning はコメントを受け付けていません

MonoVisual3DFilter: 3D tomatoes’ localisation with monocular cameras using histogram filters

投稿日: 2024年10月7日 作成者: jarxiv

要約 果物のモニタリングや収穫など、農業における作業の実行には、対象物の空間的な … 続きを読む →

カテゴリー: cs.CV, cs.RO | MonoVisual3DFilter: 3D tomatoes’ localisation with monocular cameras using histogram filters はコメントを受け付けていません

CLIP-Clique: Graph-based Correspondence Matching Augmented by Vision Language Models for Object-based Global Localization

投稿日: 2024年10月7日 作成者: jarxiv

要約 本論文では、意味的オブジェクトランドマークを用いた地図上の大域的定位法を提 … 続きを読む →

カテゴリー: cs.CV, cs.RO | CLIP-Clique: Graph-based Correspondence Matching Augmented by Vision Language Models for Object-based Global Localization はコメントを受け付けていません

LLaRA: Supercharging Robot Learning Data for Vision-Language Policy

投稿日: 2024年10月7日 作成者: jarxiv

要約 視覚入力を持つLLM、すなわち視覚言語モデル（VLM）は、状態情報を視覚的 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.RO | LLaRA: Supercharging Robot Learning Data for Vision-Language Policy はコメントを受け付けていません

M2Distill: Multi-Modal Distillation for Lifelong Imitation Learning

投稿日: 2024年10月7日 作成者: jarxiv

要約 操作タスクの生涯模倣学習は、漸進的な学習ステップで発生する分布シフトのため … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.RO | M2Distill: Multi-Modal Distillation for Lifelong Imitation Learning はコメントを受け付けていません