Buchumschlag

Addressing a fundamental limitation in deep vision models: lack of spatial attention

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Borji, Ali
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

Qualitative Failures of Image Generation Models and Their Application in Detecting Deepfakes
von: Borji, Ali
Veröffentlicht: (2023)

A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection
von: Borji, Arezoo, et al.
Veröffentlicht: (2026)

A comprehensive overview of deep learning models for object detection from videos/images
von: Zulfqar, Sukana, et al.
Veröffentlicht: (2026)

A recurrent vision transformer shows signatures of primate visual attention
von: Morgan, Jonathan, et al.
Veröffentlicht: (2025)

ISLA: A U-Net for MRI-based acute ischemic stroke lesion segmentation with deep supervision, attention, domain adaptation, and ensemble learning
von: Roca, Vincent, et al.
Veröffentlicht: (2026)

Bringing together invertible UNets with invertible attention modules for memory-efficient diffusion models
von: Jain, Karan, et al.
Veröffentlicht: (2025)

Vision language models are unreliable at trivial spatial cognition
von: Khemlani, Sangeet, et al.
Veröffentlicht: (2025)

Are vision language models robust to uncertain inputs?
von: Wang, Xi, et al.
Veröffentlicht: (2025)

Towards aligned body representations in vision models
von: Gizdov, Andrey, et al.
Veröffentlicht: (2025)

Advanced Hybrid Deep Learning Model for Enhanced Classification of Osteosarcoma Histopathology Images
von: Borji, Arezoo, et al.
Veröffentlicht: (2024)

Analyzing mixed construction and demolition waste in material recovery facilities: evolution, challenges, and applications of computer vision and deep learning
von: Langley, Adrian, et al.
Veröffentlicht: (2024)

What matters when building vision-language models?
von: Laurençon, Hugo, et al.
Veröffentlicht: (2024)

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

Interpreting vision transformers via residual replacement model
von: Kim, Jinyeong, et al.
Veröffentlicht: (2025)

Thinker: A vision-language foundation model for embodied intelligence
von: Pan, Baiyu, et al.
Veröffentlicht: (2026)

A multimodal vision foundation model for generalizable knee pathology
von: Yu, Kang, et al.
Veröffentlicht: (2026)

Incorporating simulated spatial context information improves the effectiveness of contrastive learning models
von: Zhu, Lizhen, et al.
Veröffentlicht: (2024)

Relation Learning and Aggregate-attention for Multi-person Motion Prediction
von: Qu, Kehua, et al.
Veröffentlicht: (2024)

GAC-Net_Geometric and attention-based Network for Depth Completion
von: Zhu, Kuang, et al.
Veröffentlicht: (2025)

Building and better understanding vision-language models: insights and future directions
von: Laurençon, Hugo, et al.
Veröffentlicht: (2024)

Self-supervised vision-langage alignment of deep learning representations for bone X-rays analysis
von: Englebert, Alexandre, et al.
Veröffentlicht: (2024)

Hallucination-aware intermediate representation edit in large vision-language models
von: Suo, Wei, et al.
Veröffentlicht: (2026)

Generalizing vision-language models to novel domains: A comprehensive survey
von: Li, Xinyao, et al.
Veröffentlicht: (2025)

SSTFB: Leveraging self-supervised pretext learning and temporal self-attention with feature branching for real-time video polyp segmentation
von: Xu, Ziang, et al.
Veröffentlicht: (2024)

AddressVLM: Cross-view Alignment Tuning for Image Address Localization using Large Vision-Language Models
von: Xu, Shixiong, et al.
Veröffentlicht: (2025)

Hand-object reconstruction via interaction-aware graph attention mechanism
von: Woo, Taeyun, et al.
Veröffentlicht: (2024)

Multi-modal user interface control detection using cross-attention
von: Moradi, Milad, et al.
Veröffentlicht: (2026)

Near, far: Patch-ordering enhances vision foundation models' scene understanding
von: Pariza, Valentinos, et al.
Veröffentlicht: (2024)

Beyond the Hype: A dispassionate look at vision-language models in medical scenario
von: Nan, Yang, et al.
Veröffentlicht: (2024)

A benchmark multimodal oro-dental dataset for large vision-language models
von: Lv, Haoxin, et al.
Veröffentlicht: (2025)

Representation geometry shapes task performance in vision-language modeling for CT enterography
von: Minoccheri, Cristian, et al.
Veröffentlicht: (2026)

SCORPION: Addressing Scanner-Induced Variability in Histopathology
von: Ryu, Jeongun, et al.
Veröffentlicht: (2025)

MARS: Paying more attention to visual attributes for text-based person search
von: Ergasti, Alex, et al.
Veröffentlicht: (2024)

Optimising CSRNet with parameter-free attention mechanisms for crowd counting in public transport
von: Rostamza, Aida, et al.
Veröffentlicht: (2026)

A Separable Self-attention Inspired by the State Space Model for Computer Vision
von: Zhang, Juntao, et al.
Veröffentlicht: (2025)

RPT-SR: Regional Prior attention Transformer for infrared image Super-Resolution
von: Jin, Youngwan, et al.
Veröffentlicht: (2026)

Computer vision-based model for detecting turning lane features on Florida's public roadways
von: Antwi, Richard Boadu, et al.
Veröffentlicht: (2024)

VLA-Mark: A cross modal watermark for large vision-language alignment model
von: Liu, Shuliang, et al.
Veröffentlicht: (2025)

Self-adaptive vision-language model for 3D segmentation of pulmonary artery and vein
von: Guo, Xiaotong, et al.
Veröffentlicht: (2025)

RadEdit: stress-testing biomedical vision models via diffusion image editing
von: Pérez-García, Fernando, et al.
Veröffentlicht: (2023)