인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
Vision-language models such as CLIP have demonstrated remarkable zero-shot classification performance by aligning visual and textual representations. Recent studies have shown that enriching class descriptions with large language model-generated visual descriptors can further improve classification accuracy without additional training. However, existing descriptor-based methods use all pre-generated descriptors equally for every test image, regardless of which descriptors are actually useful for a given input. This is problematic in fine-grained classification, where visually similar classes share many common attributes, causing non-discriminative descriptors to reduce the influence of truly informative ones. The purpose of this study is to address this issue by proposing CoDES (confusion-aware discriminative descriptor selection), a method that dynamically selects discriminative descriptors at test time. For each test image, CoDES first identifies confusing classes and then selects descriptors that are effective in resolving the confusion. Experiments demonstrate that CoDES consistently outperforms existing methods across eight benchmark datasets, achieving competitive performance against descriptor selection methods requiring labeled data without using any labeled data. These results indicate that the proposed CoDES can effectively improve zero-shot classification performance by selecting descriptors that are helpful for distinguishing between confusing classes.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
