随笔分类 - 论文阅读
论文阅读-Learning to Predict Visual Attributes in the Wild
摘要：摘要 视觉属性构成了场景中包含信息的大部分。物体可以使用多种属性来描述，这些属性展现了它们的视觉外观（颜色、纹理）、几何特征（形状、大小、姿态）以及其他内在属性（状态、动作）。现有工作大多局限于特定领域内的属性预测研究。在本文中，我们介绍了一个大规模的野外视觉属性预测数据集，该数据集包含超过260K
论文阅读-ArtVLM: Attribute Recognition Through Vision-Based Prefix Language Modeling
摘要：摘要 识别并从对象中分离视觉属性是许多计算机视觉应用的基础。虽然像CLIP这样的大型视觉-语言表示在很大程度上解决了零样本对象识别的任务，但零样本视觉属性识别仍然是一个挑战，因为CLIP通过对比学习得到的视觉-语言表示无法有效捕捉对象-属性依赖关系。在本文中，我们针对这一弱点提出了一个基于句子生成的
论文阅读01-Improving Closed and Open-Vocabulary Attribute Prediction using Transformers
摘要：摘要 我们研究在视觉场景中识别对象的属性。我们将属性视为描述对象的物理和语义属性以及其与其他对象关系的任何短语。现有工作在封闭环境下研究属性预测，并使用一组固定的属性，实现了一个使用有限上下文的模型。我们提出了TAP，这是一个新的基于Transformer的模型，可以在单个前向传递中利用上下文并为场
论文精读
摘要：如何读一篇论文 第一步 阅读 title、abstract 和 figures。通过阅读 title、abstract、figures 和实验部分，可以对论文有一个大致的理解。大部分深度学习论文，都会总结出一两张图片让你理解起来更方便，而不需要通过阅读整篇论文。 第二步 阅读 introductio
论文阅读- A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes
摘要：问题引出 1.背景噪声比前景噪声更能降低模型精确度 概念 背景敏感度（foreground sensitivity）是一种用于评估模型对前景和背景信息的敏感度的指标。通过计算模型在前景和背景噪声下的准确性，可以得到相对前景敏感度（RF S），用于比较不同模型在相同噪声水平下对前景和背景信息的敏感度。
论文阅读-《显著性目标检测中的完整性学习》
摘要：1.论文摘要 尽管当前显著性目标检测已取得重大突破，它们在预测显著区域的"完整性"上仍存在局限性。本文把"完整性"的概念分为微 观完整性和宏观完整性两个层面。具体而言，在微观层面上，模型需要找出单个显著目标的所有部分。而在宏观层面上，模型需要发现图 片中的所有显著目标。为了达到对显著性目标检测的完整
