Buchumschlag

AquaticCLIP: A Vision-Language Foundation Model for Underwater Scene Analysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Alawode, Basit, Ganapathi, Iyyakutti Iyappan, Javed, Sajid, Werghi, Naoufel, Bennamoun, Mohammed, Mahmood, Arif
Format:	Preprint
Veröffentlicht:	2025
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-Resolution Pathology-Language Pre-training Model with Text-Guided Visual Representation
von: Albastaki, Shahad, et al.
Veröffentlicht: (2025)

CPLIP: Zero-Shot Learning for Histopathology with Comprehensive Vision-Language Alignment
von: Javed, Sajid, et al.
Veröffentlicht: (2024)

Predicting the Best of N Visual Trackers
von: Alawode, Basit, et al.
Veröffentlicht: (2024)

CLDTracker: A Comprehensive Language Description for Visual Tracking
von: Alansari, Mohamad, et al.
Veröffentlicht: (2025)

DyCON: Dynamic Uncertainty-aware Consistency and Contrastive Learning for Semi-supervised Medical Image Segmentation
von: Assefa, Maregu, et al.
Veröffentlicht: (2025)

MLLM-HWSI: A Multimodal Large Language Model for Hierarchical Whole Slide Image Understanding
von: Alawode, Basit, et al.
Veröffentlicht: (2026)

Advancing Histopathology with Deep Learning Under Data Scarcity: A Decade in Review
von: Obeid, Ahmad, et al.
Veröffentlicht: (2024)

Rethinking Memory Design in SAM-Based Visual Object Tracking
von: Alansari, Mohamad, et al.
Veröffentlicht: (2025)

Video Anomaly Detection in 10 Years: A Survey and Outlook
von: Abdalla, Moshira, et al.
Veröffentlicht: (2024)

Implicit to Explicit Entropy Regularization: Benchmarking ViT Fine-tuning under Noisy Labels
von: Marrium, Maria, et al.
Veröffentlicht: (2024)

SPARROW: Learning Spatial Precision and Temporal Referential Consistency in Pixel-Grounded Video MLLMs
von: Alansari, Mohamad, et al.
Veröffentlicht: (2026)

AdaRD-key: Adaptive Relevance-Diversity Keyframe Sampling for Long-form Video understanding
von: Zhang, Xian, et al.
Veröffentlicht: (2025)

BENet: A Cross-domain Robust Network for Detecting Face Forgeries via Bias Expansion and Latent-space Attention
von: Liu, Weihua, et al.
Veröffentlicht: (2024)

Multi-Modal Attention Networks for Enhanced Segmentation and Depth Estimation of Subsurface Defects in Pulse Thermography
von: Salah, Mohammed, et al.
Veröffentlicht: (2025)

Transformer-Based Wireless Capsule Endoscopy Bleeding Tissue Detection and Classification
von: Alawode, Basit, et al.
Veröffentlicht: (2024)

STING-BEE: Towards Vision-Language Model for Real-World X-ray Baggage Security Inspection
von: Velayudhan, Divya, et al.
Veröffentlicht: (2025)

MUOT_3M: A 3 Million Frame Multimodal Underwater Benchmark and the MUTrack Tracking Method
von: Bakht, Ahsan Baidar, et al.
Veröffentlicht: (2026)

Cytoplasmic Strings Analysis in Human Embryo Time-Lapse Videos using Deep Learning Framework
von: Sohail, Anabia, et al.
Veröffentlicht: (2025)

RobMOT: Robust 3D Multi-Object Tracking by Observational Noise and State Estimation Drift Mitigation on LiDAR PointCloud
von: Nagy, Mohamed, et al.
Veröffentlicht: (2024)

Towards Accurate State Estimation: Kalman Filter Incorporating Motion Dynamics for 3D Multi-Object Tracking
von: Nagy, Mohamed, et al.
Veröffentlicht: (2025)

Aquatic-GS: A Hybrid 3D Representation for Underwater Scenes
von: Liu, Shaohua, et al.
Veröffentlicht: (2024)

Vision-Language Models for Autonomous Driving: CLIP-Based Dynamic Scene Understanding
von: Elhenawy, Mohammed, et al.
Veröffentlicht: (2025)

RemoteCLIP: A Vision Language Foundation Model for Remote Sensing
von: Liu, Fan, et al.
Veröffentlicht: (2023)

DOFA-CLIP: Multimodal Vision-Language Foundation Models for Earth Observation
von: Xiong, Zhitong, et al.
Veröffentlicht: (2025)

AgriChat: A Multimodal Large Language Model for Agriculture Image Understanding
von: Boudiaf, Abderrahmene, et al.
Veröffentlicht: (2026)

CosmoCLIP: Generalizing Large Vision-Language Models for Astronomical Imaging
von: Imam, Raza, et al.
Veröffentlicht: (2024)

Face Pyramid Vision Transformer
von: Islam, Khawar, et al.
Veröffentlicht: (2022)

Unveiling the Underwater World: CLIP Perception Model-Guided Underwater Image Enhancement
von: Cao, Jiangzhong, et al.
Veröffentlicht: (2025)

CropVLM: A Domain-Adapted Vision-Language Model for Open-Set Crop Analysis
von: Boudiaf, Abderrahmene, et al.
Veröffentlicht: (2026)

Semantically-aware Neural Radiance Fields for Visual Scene Understanding: A Comprehensive Review
von: Nguyen, Thang-Anh-Quan, et al.
Veröffentlicht: (2024)

MoralCLIP: Contrastive Alignment of Vision-and-Language Representations with Moral Foundations Theory
von: Condez, Ana Carolina, et al.
Veröffentlicht: (2025)

VisionCLIP: An Med-AIGC based Ethical Language-Image Foundation Model for Generalizable Retina Image Analysis
von: Wei, Hao, et al.
Veröffentlicht: (2024)

CLIP4STR: A Simple Baseline for Scene Text Recognition with Pre-trained Vision-Language Model
von: Zhao, Shuai, et al.
Veröffentlicht: (2023)

GeoPixel: Pixel Grounding Large Multimodal Model in Remote Sensing
von: Shabbir, Akashah, et al.
Veröffentlicht: (2025)

Underwater Image Enhancement by Diffusion Model with Customized CLIP-Classifier
von: Liu, Shuaixin, et al.
Veröffentlicht: (2024)

Neuromorphic Vision-based Motion Segmentation with Graph Transformer Neural Network
von: Alkendi, Yusra, et al.
Veröffentlicht: (2024)

ScenarioCLIP: Pretrained Transferable Visual Language Models and Action-Genome Dataset for Natural Scene Analysis
von: Sinha, Advik, et al.
Veröffentlicht: (2025)

SegRAG: Training-Free Retrieval-Augmented Semantic Segmentation
von: Boudiaf, Abderrahmene, et al.
Veröffentlicht: (2026)

Language Model Guided Interpretable Video Action Reasoning
von: Wang, Ning, et al.
Veröffentlicht: (2024)

ClearCLIP: Decomposing CLIP Representations for Dense Vision-Language Inference
von: Lan, Mengcheng, et al.
Veröffentlicht: (2024)