Buchumschlag

Small Language Model Meets with Reinforced Vision Vocabulary

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wei, Haoran, Kong, Lingyu, Chen, Jinyue, Zhao, Liang, Ge, Zheng, Yu, En, Sun, Jianjian, Han, Chunrui, Zhang, Xiangyu
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

OneChart: Purify the Chart Structural Extraction via One Auxiliary Token
von: Chen, Jinyue, et al.
Veröffentlicht: (2024)

Focus Anywhere for Fine-grained Multi-page Document Understanding
von: Liu, Chenglong, et al.
Veröffentlicht: (2024)

General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model
von: Wei, Haoran, et al.
Veröffentlicht: (2024)

Perception-R1: Pioneering Perception Policy with Reinforcement Learning
von: Yu, En, et al.
Veröffentlicht: (2025)

Open Vision Reasoner: Transferring Linguistic Cognitive Behavior for Visual Reasoning
von: Wei, Yana, et al.
Veröffentlicht: (2025)

Merlin:Empowering Multimodal LLMs with Foresight Minds
von: Yu, En, et al.
Veröffentlicht: (2023)

Exploring Recurrent Long-term Temporal Fusion for Multi-view 3D Perception
von: Han, Chunrui, et al.
Veröffentlicht: (2023)

Perception in Reflection
von: Wei, Yana, et al.
Veröffentlicht: (2025)

Unhackable Temporal Rewarding for Scalable Video MLLMs
von: Yu, En, et al.
Veröffentlicht: (2025)

DreamLLM: Synergistic Multimodal Comprehension and Creation
von: Dong, Runpei, et al.
Veröffentlicht: (2023)

Slow Perception: Let's Perceive Geometric Figures Step-by-step
von: Wei, Haoran, et al.
Veröffentlicht: (2024)

Open-Vocabulary Camouflaged Object Segmentation with Cascaded Vision Language Models
von: Zhao, Kai, et al.
Veröffentlicht: (2025)

ShapeLLM: Universal 3D Object Understanding for Embodied Interaction
von: Qi, Zekun, et al.
Veröffentlicht: (2024)

Training A Small Emotional Vision Language Model for Visual Art Comprehension
von: Zhang, Jing, et al.
Veröffentlicht: (2024)

Adapting Vision-Language Model with Fine-grained Semantics for Open-Vocabulary Segmentation
von: Chng, Yong Xien, et al.
Veröffentlicht: (2024)

Vocabulary-free few-shot learning for Vision-Language Models
von: Zanella, Maxime, et al.
Veröffentlicht: (2025)

QuoVLA: Quotient Space for Vision-Language-Action Models
von: Wang, Xuan, et al.
Veröffentlicht: (2026)

Boosting Segment Anything Model Towards Open-Vocabulary Learning
von: Han, Xumeng, et al.
Veröffentlicht: (2023)

Bilateral Collaboration with Large Vision-Language Models for Open Vocabulary Human-Object Interaction Detection
von: Hu, Yupeng, et al.
Veröffentlicht: (2025)

SEDEG:Sequential Enhancement of Decoder and Encoder's Generality for Class Incremental Learning with Small Memory
von: Chen, Hongyang, et al.
Veröffentlicht: (2025)

OVER-NAV: Elevating Iterative Vision-and-Language Navigation with Open-Vocabulary Detection and StructurEd Representation
von: Zhao, Ganlong, et al.
Veröffentlicht: (2024)

LightZeroNav: Zero-Shot Vision Language Navigation in Continuous Environments Based on Lightweight VLMs
von: Luo, Kun, et al.
Veröffentlicht: (2026)

Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework
von: Han, Xiao, et al.
Veröffentlicht: (2024)

Cascade Prompt Learning for Vision-Language Model Adaptation
von: Wu, Ge, et al.
Veröffentlicht: (2024)

Beyond-Labels: Advancing Open-Vocabulary Segmentation With Vision-Language Models
von: Rahman, Muhammad Atta ur, et al.
Veröffentlicht: (2025)

Improving Large Vision-Language Models' Understanding for Flow Field Data
von: Zhang, Xiaomei, et al.
Veröffentlicht: (2025)

DreamBench++: A Human-Aligned Benchmark for Personalized Image Generation
von: Peng, Yuang, et al.
Veröffentlicht: (2024)

Histopathology Image Report Generation by Vision Language Model with Multimodal In-Context Learning
von: Liu, Shih-Wen, et al.
Veröffentlicht: (2025)

OVTR: End-to-End Open-Vocabulary Multiple Object Tracking with Transformer
von: Li, Jinyang, et al.
Veröffentlicht: (2025)

MarvelOVD: Marrying Object Recognition and Vision-Language Models for Robust Open-Vocabulary Object Detection
von: Wang, Kuo, et al.
Veröffentlicht: (2024)

VLA-LPAF: Lightweight Perspective-Adaptive Fusion for Vision-Language-Action to Enable More Unconstrained Robotic Manipulation
von: Bian, Jinyue, et al.
Veröffentlicht: (2025)

Recognition through Reasoning: Reinforcing Image Geo-localization with Large Vision-Language Models
von: Li, Ling, et al.
Veröffentlicht: (2025)

Adversarial Prompt Tuning for Vision-Language Models
von: Zhang, Jiaming, et al.
Veröffentlicht: (2023)

Collaborative Vision-Text Representation Optimizing for Open-Vocabulary Segmentation
von: Jiao, Siyu, et al.
Veröffentlicht: (2024)

Language-Guided Token Compression with Reinforcement Learning in Large Vision-Language Models
von: Cao, Sihan, et al.
Veröffentlicht: (2026)

PROGRESSLM: Towards Progress Reasoning in Vision-Language Models
von: Zhang, Jianshu, et al.
Veröffentlicht: (2026)

Beyond Visual Field of View: Perceiving 3D Environment with Echoes and Vision
von: Zhu, Lingyu, et al.
Veröffentlicht: (2022)

MADTP: Multimodal Alignment-Guided Dynamic Token Pruning for Accelerating Vision-Language Transformer
von: Cao, Jianjian, et al.
Veröffentlicht: (2024)

Exploring Vision-Language Models for Open-Vocabulary Zero-Shot Action Segmentation
von: Unmesh, Asim, et al.
Veröffentlicht: (2026)

Test-Time Adaptation of Vision-Language Models for Open-Vocabulary Semantic Segmentation
von: Noori, Mehrdad, et al.
Veröffentlicht: (2025)