PERCEPTION
增强任意开源多模态大语言模型的部件级点定位能力
Jin-Cheng Jhang, Fu-En Wang, Xin Yang, Nan Qiao, Lu Xia, Min Sun, Cheng-Hao Kuo
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出一种通用方法，使任意开源多模态大语言模型具备精确的二维部件级点定位能力，通过冻结原始模型参数并利用注意力机制合成查询，实现更直接的细粒度视觉定位。该方法在多个数据集上持续提升了部件级定位精度，可无缝应用于机器人操作等任务。
关键词
visual groundingpart-level groundingmultimodal large language modelsattention mechanismrobotic manipulation
相关论文
PERCEPTION
📊 22,245 引用
Artificial intelligence: a modern approach
1995
PERCEPTION
📊 14,348 引用
Are we ready for autonomous driving? The KITTI vision benchmark suite
Andreas Geiger, P Lenz, R. Urtasun
2012
PERCEPTION
开放获取📊 9,777 引用
TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems
Martı́n Abadi, Ashish Agarwal, Paul Barham 等 20 位作者
2016
PERCEPTION
📊 9,681 引用
Vision meets robotics: The KITTI dataset
Andreas Geiger, Philip Lenz, Christoph Stiller 等 4 位作者
2013