文章概要:
1.BLIVA是一種視覺(jué)語(yǔ)言模型,擅長(zhǎng)讀取圖像中的文本。
2. BLIVA結(jié)合了InstructBLIP的學(xué)習(xí)查詢嵌入和LLaVA的編碼修補(bǔ)嵌入。
3. BLIVA在多個(gè)數(shù)據(jù)集上表現(xiàn)優(yōu)異,可用于識(shí)別路牌、食品包裝等場(chǎng)景。
BLIVA 是一種視覺(jué)語(yǔ)言模型,擅長(zhǎng)讀取圖像中的文本,使其在許多行業(yè)的現(xiàn)實(shí)場(chǎng)景和應(yīng)用中發(fā)揮作用。
加州大學(xué)圣地亞哥分校的研究人員開(kāi)發(fā)了 BLIVA,這是一種視覺(jué)語(yǔ)言模型,旨在更好地處理包含文本的圖像。視覺(jué)語(yǔ)言模型 (VLM) 通過(guò)合并視覺(jué)理解功能來(lái)擴(kuò)展大型語(yǔ)言模型 (LLM),以回答有關(guān)圖像的問(wèn)題。
這種多模態(tài)模型在開(kāi)放式視覺(jué)問(wèn)答基準(zhǔn)方面取得了令人印象深刻的進(jìn)展。一個(gè)例子是 OpenAI 的GPT-4,它的多模式形式可以在用戶提示時(shí)討論圖像內(nèi)容,盡管此功能目前僅在“Be my Eyes”應(yīng)用程序中可用。
然而,當(dāng)前系統(tǒng)的一個(gè)主要限制是處理帶有文本的圖像的能力,這在現(xiàn)實(shí)場(chǎng)景中很常見(jiàn)。
BLIVA 結(jié)合了 InstructBLIP 和 LLaVA
視覺(jué)語(yǔ)言模型通過(guò)合并視覺(jué)理解功能來(lái)擴(kuò)展大型語(yǔ)言模型,以回答有關(guān)圖像的問(wèn)題。
BLIVA結(jié)合了兩種互補(bǔ)的視覺(jué)嵌入類(lèi)型。一種是Salesforce InstructBLIP提取的學(xué)習(xí)查詢嵌入,用于關(guān)注與文本輸入相關(guān)的圖像區(qū)域;另一種是受Microsoft LLaVA啟發(fā)提取的編碼修補(bǔ)嵌入,直接從完整圖像的原始像素修補(bǔ)中獲得。
研究人員表示,這種雙重方法允許BLIVA同時(shí)利用針對(duì)文本定制的精煉查詢嵌入,以及捕捉更多視覺(jué)細(xì)節(jié)的更豐富的編碼修補(bǔ)。
BLIVA 使用大約550,000個(gè)圖像標(biāo)題對(duì)進(jìn)行了預(yù)訓(xùn)練,并使用150,000個(gè)視覺(jué)問(wèn)答示例調(diào)整了指令,同時(shí)保持視覺(jué)編碼器和語(yǔ)言模型凍結(jié)。
在多個(gè)數(shù)據(jù)集上,BLIVA的表現(xiàn)明顯優(yōu)于InstructBLIP等其他模型。例如,在OCR-VQA數(shù)據(jù)集上,BLIVA的準(zhǔn)確率達(dá)到65.38%,而InstructBLIP只有47.62%。
研究人員認(rèn)為這證明了多嵌入方法對(duì)廣泛的視覺(jué)理解的益處。BLIVA還在YouTube視頻縮略圖數(shù)據(jù)集上取得了92%的準(zhǔn)確率。BLIVA識(shí)讀圖像文本的能力可應(yīng)用于許多行業(yè),如識(shí)別路牌、食品包裝等。BLIVA有望改善現(xiàn)實(shí)世界中的多種應(yīng)用。
文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請(qǐng)謹(jǐn)慎對(duì)待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。
近日,德國(guó)柏林國(guó)際電子消費(fèi)品展覽會(huì)(IFA2024)隆重舉辦。憑借在核心技術(shù)、產(chǎn)品設(shè)計(jì)及應(yīng)用方面的創(chuàng)新變革,全球領(lǐng)先的智能終端企業(yè)TCL實(shí)業(yè)成功斬獲兩項(xiàng)“IFA全球產(chǎn)品設(shè)計(jì)創(chuàng)新大獎(jiǎng)”金獎(jiǎng),有力證明了其在全球市場(chǎng)的強(qiáng)大影響力。
近日,中國(guó)家電及消費(fèi)電子博覽會(huì)(AWE 2024)隆重開(kāi)幕。全球領(lǐng)先的智能終端企業(yè)TCL實(shí)業(yè)攜多款創(chuàng)新技術(shù)和新品亮相,以敢為精神勇闖技術(shù)無(wú)人區(qū),斬獲四項(xiàng)AWE 2024艾普蘭大獎(jiǎng)。
“以前都要去窗口辦,一套流程下來(lái)都要半個(gè)月了,現(xiàn)在方便多了!”打開(kāi)“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。
由世界人工智能大會(huì)組委會(huì)、上海市經(jīng)信委、徐匯區(qū)政府、臨港新片區(qū)管委會(huì)共同指導(dǎo),由上海市人工智能行業(yè)協(xié)會(huì)聯(lián)合上海人工智能實(shí)驗(yàn)室、上海臨港經(jīng)濟(jì)發(fā)展(集團(tuán))有限公司、開(kāi)放原子開(kāi)源基金會(huì)主辦的“2024全球開(kāi)發(fā)者先鋒大會(huì)”,將于2024年3月23日至24日舉辦。