Fine-Tuning없이 Multimodal Few-shot Visual Grounding에 효과적인 모델 아키텍처 연구

Q: 이 논문에서 정의한 Visual Grounding이란 무엇인가?

Visual Grounding은 주어진 텍스트 설명에 맞는 객체를 이미지 내에서 찾아내는 문제로, 이미지와 자연어의 상호작용을 학습하는 중요한 연구 분야이다. 이 기술은 자율주행, 의료 영상 분석 등 다양한 분야에서 적용될 수 있어 그 중요성이 점점 커지고 있다.

Q: Fine-tuning 없이 Few-shot Visual Grounding 성능을 향상시키는 핵심 요소는 무엇인가?

연구 결과, 템플릿 기반 멀티모델 프롬프트, Fusion Module, 그리고 Contrastive Learning의 결합이 Fine-tuning 없이 Few-shot Visual Grounding 성능을 크게 향상시키는 핵심 요소이다. 특히 템플릿을 활용한 학습은 시각적 세부 사항을 정교하게 파악하고 새로운 클래스에 대한 일반화 성능을 높이는 데 기여한다.

박은주; 황영서; 김준섭; 양희재

추천

검색

질문

자료유형: 학술대회자료

저자정보: 박은주 (이화여자대학교) 황영서 (숙명여자대학교) 김준섭 (성균관대학교) 양희재 (성균관대학교)

저널정보: 대한전자공학회 대한전자공학회 학술대회 2024년도 대한전자공학회 추계학술대회 논문집

발행연도: 2024.11

수록면: 660 - 664 (5page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

This research presents a novel approach to Visual Grounding, addressing the challenge of handling new classes with minimal data. Traditional models often rely on extensive fine-tuning for new tasks, which is time-consuming and inefficient. To overcome this, we propose a few-shot learning architecture that eliminates the need for fine-tuning by incorporating a template-based multimodal prompt with learnable embeddings. Additionally, our model integrates a fusion module and contrastive loss to enhance generalization across unseen classes. Our approach achieves 83.6% accuracy on the RefCOCOg dataset, demonstrating significant improvements in performance on novel classes.

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)