ECCV 2024｜SegVG：刷新视觉定位新SOTA！将视觉定位的目标边界框转化为分割信号

文章预览

↑ 点击 蓝字  关注极市平台 作者丨 我爱计算 机视觉 来源丨我爱计算机视觉 编辑丨极市平台 极市导读   本文介绍了SegVG，一种新的视觉定位方法，它通过将边界框注释转化为分割信号来提供更丰富的监督信号，并通过三重对齐模块消除特征域差异，从而提高视觉定位的性能。SegVG采用了多层多任务编码器-解码器结构来同时执行边框回归和分割任务，实验结果显示其在多个标准数据集上取得了优于现有技术的准确性和效率。   >> 加入极市CV技术交流群，走在计算机视觉的最前沿 论文： https://arxiv.org/abs/2407.03200 代码： github.com/WeitaiKang/SegVG 动机 视觉定位(Visual Grounding)旨在基于自由形式的自然语言文本表达定位图像中的目标物体。随着多模态推理系 统的普及，如视觉问答和图像描述，视觉定位的重要性愈加凸显。已有的研究大致可以分为三类:两阶 ………………………………