arXiv cs.CV· Parsa Esmaeilkhani, Longin Jan Latecki·· 3 小时前AI 评分35
自回归视觉语言模型视觉目标定位的角度监督：Angular Relevance 与 AOL
Angular Supervision for Visual Object Grounding in Autoregressive Vision-Language Models
AI 导读
研究提出 Angular Relevance（R_L），以视觉 token 嵌入与 unembedding 矩阵行的余弦相似度作为可视化度量，不受 token 范数影响，在现成模型上生成的 heatmaps 比 attention maps 和 Logit Lens 更锐利、更忠实。
来源：arXiv cs.CV · arxiv.org