Buchumschlag

Cognitive resilience: Unraveling the proficiency of image-captioning models to interpret masked visual content

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Du, Zhicheng, Xie, Zhaotian, Ying, Huazhang, Zhang, Likun, Qin, Peiwu
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Multi-Modal interpretable automatic video captioning
von: Hanna-Asaad, Antoine, et al.
Veröffentlicht: (2024)

Object-oriented backdoor attack against image captioning
von: Li, Meiling, et al.
Veröffentlicht: (2024)

MAJORScore: A Novel Metric for Evaluating Multimodal Relevance via Joint Representation
von: Du, Zhicheng, et al.
Veröffentlicht: (2025)

LAMPER: LanguAge Model and Prompt EngineeRing for zero-shot time series classification
von: Du, Zhicheng, et al.
Veröffentlicht: (2024)

Attention-based transformer models for image captioning across languages: An in-depth survey and evaluation
von: Albadarneh, Israa A., et al.
Veröffentlicht: (2025)

Image captioning for Brazilian Portuguese using GRIT model
von: de Alencar, Rafael Silva, et al.
Veröffentlicht: (2024)

Evaluating authenticity and quality of image captions via sentiment and semantic analyses
von: Krotov, Aleksei, et al.
Veröffentlicht: (2024)

Stochastic positional embeddings improve masked image modeling
von: Bar, Amir, et al.
Veröffentlicht: (2023)

Decompose the model: Mechanistic interpretability in image models with Generalized Integrated Gradients (GIG)
von: Kim, Yearim, et al.
Veröffentlicht: (2024)

Semantic search for 100M+ galaxy images using AI-generated captions
von: Koblischke, Nolan, et al.
Veröffentlicht: (2025)

Hear-Your-Click: Interactive Object-Specific Video-to-Audio Generation
von: Liang, Yingshan, et al.
Veröffentlicht: (2025)

Explaining generative diffusion models via visual analysis for interpretable decision-making process
von: Park, Ji-Hoon, et al.
Veröffentlicht: (2024)

Good at captioning, bad at counting: Benchmarking GPT-4V on Earth observation data
von: Zhang, Chenhui, et al.
Veröffentlicht: (2024)

EyeCLIP: A visual-language foundation model for multi-modal ophthalmic image analysis
von: Shi, Danli, et al.
Veröffentlicht: (2024)

Symmetric masking strategy enhances the performance of Masked Image Modeling
von: Nguyen, Khanh-Binh, et al.
Veröffentlicht: (2024)

Can visual language models resolve textual ambiguity with visual cues? Let visual puns tell you!
von: Chung, Jiwan, et al.
Veröffentlicht: (2024)

An interpretable framework using foundation models for fish sex identification
von: Miao, Zheng, et al.
Veröffentlicht: (2026)

CheXthought: A global multimodal dataset of clinical chain-of-thought reasoning and visual attention for chest X-ray interpretation
von: Sharma, Sonali, et al.
Veröffentlicht: (2026)

Weakly Supervised Teacher-Student Framework with Progressive Pseudo-mask Refinement for Gland Segmentation
von: Khan, Hikmat, et al.
Veröffentlicht: (2026)

MedSAM-based lung masking for multi-label chest X-ray classification
von: Miao, Brayden, et al.
Veröffentlicht: (2025)

Block-wise LoRA: Revisiting Fine-grained LoRA for Effective Personalization and Stylization in Text-to-Image Generation
von: Li, Likun, et al.
Veröffentlicht: (2024)

AutoMR: A Universal Time Series Motion Recognition Pipeline
von: Zhang, Likun, et al.
Veröffentlicht: (2025)

Quantifying the human visual exposome with vision language models
von: Rominger, Christian, et al.
Veröffentlicht: (2026)

L-MAE: Longitudinal masked auto-encoder with time and severity-aware encoding for diabetic retinopathy progression prediction
von: Zeghlache, Rachid, et al.
Veröffentlicht: (2024)

Eye image segmentation using visual and concept prompts with Segment Anything Model 3 (SAM3)
von: Niehorster, Diederick C., et al.
Veröffentlicht: (2026)

ActiveMark: on watermarking of visual foundation models via massive activations
von: Chistyakova, Anna, et al.
Veröffentlicht: (2025)

Exploring visual language models as a powerful tool in the diagnosis of Ewing Sarcoma
von: Pastor-Naranjo, Alvaro, et al.
Veröffentlicht: (2025)

Vision language models are blind: Failing to translate detailed visual features into words
von: Rahmanzadehgervi, Pooyan, et al.
Veröffentlicht: (2024)

Images Speak Louder than Words: Understanding and Mitigating Bias in Vision-Language Model from a Causal Mediation Perspective
von: Weng, Zhaotian, et al.
Veröffentlicht: (2024)

Towards Meta-Cognitive Knowledge Editing for Multimodal LLMs
von: Fan, Zhaoyu, et al.
Veröffentlicht: (2025)

Leveraging image captions for selective whole slide image annotation
von: Qiu, Jingna, et al.
Veröffentlicht: (2024)

Wetland mapping from sparse annotations with satellite image time series and temporal-aware segment anything model
von: Yuan, Shuai, et al.
Veröffentlicht: (2026)

Memory augment is All You Need for image restoration
von: Zhang, Xiao Feng, et al.
Veröffentlicht: (2023)

Enhanced Contrastive Learning with Multi-view Longitudinal Data for Chest X-ray Report Generation
von: Liu, Kang, et al.
Veröffentlicht: (2025)

Automated Prompt Generation for Creative and Counterfactual Text-to-image Synthesis
von: Jelaca, Aleksa, et al.
Veröffentlicht: (2025)

Learning text-to-video retrieval from image captioning
von: Ventura, Lucas, et al.
Veröffentlicht: (2024)

Dilated Convolution with Learnable Spacings makes visual models more aligned with humans: a Grad-CAM study
von: Chamas, Rabih, et al.
Veröffentlicht: (2024)

Integrated feature analysis for deep learning interpretation and class activation maps
von: Li, Yanli, et al.
Veröffentlicht: (2024)

Enhancing Interpretability of Vertebrae Fracture Grading using Human-interpretable Prototypes
von: Sinhamahapatra, Poulami, et al.
Veröffentlicht: (2024)

VC4VG: Optimizing Video Captions for Text-to-Video Generation
von: Du, Yang, et al.
Veröffentlicht: (2025)