Buchumschlag

ScenarioCLIP: Pretrained Transferable Visual Language Models and Action-Genome Dataset for Natural Scene Analysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sinha, Advik, Atreya, Saurabh, A V, Aashutosh, Ali, Sk Aziz, Das, Abhijit
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DensePercept-NCSSD: Vision Mamba towards Real-time Dense Visual Perception with Non-Causal State Space Duality
von: Anand, Tushar, et al.
Veröffentlicht: (2025)

Enhancing 3D-Air Signature by Pen Tip Tail Trajectory Awareness: Dataset and Featuring by Novel Spatio-temporal CNN
von: Atreya, Saurabh, et al.
Veröffentlicht: (2024)

Narrating For You: Prompt-guided Audio-visual Narrating Face Generation Employing Multi-entangled Latent Space
von: Chandra, Aashish, et al.
Veröffentlicht: (2026)

KDC-MAE: Knowledge Distilled Contrastive Mask Auto-Encoder
von: Bora, Maheswar, et al.
Veröffentlicht: (2024)

Beyond Real versus Fake Towards Intent-Aware Video Analysis
von: Atreya, Saurabh, et al.
Veröffentlicht: (2025)

ViM-Disparity: Bridging the Gap of Speed, Accuracy and Memory for Disparity Map Generation
von: Bora, Maheswar, et al.
Veröffentlicht: (2024)

Towards Obstacle-Avoiding Control of Planar Snake Robots Exploring Neuro-Evolution of Augmenting Topologies
von: Sinha, Advik, et al.
Veröffentlicht: (2025)

CLIP-RL: Surgical Scene Segmentation Using Contrastive Language-Vision Pretraining & Reinforcement Learning
von: Ahmed, Fatmaelzahraa Ali, et al.
Veröffentlicht: (2025)

4D-VLA: Spatiotemporal Vision-Language-Action Pretraining with Cross-Scene Calibration
von: Zhang, Jiahui, et al.
Veröffentlicht: (2025)

Scenario Understanding of Traffic Scenes Through Large Visual Language Models
von: Rivera, Esteban, et al.
Veröffentlicht: (2025)

MARVEL-40M+: Multi-Level Visual Elaboration for High-Fidelity Text-to-3D Content Creation
von: Sinha, Sankalp, et al.
Veröffentlicht: (2024)

InfoCLIP: Bridging Vision-Language Pretraining and Open-Vocabulary Semantic Segmentation via Information-Theoretic Alignment Transfer
von: Yuan, Muyao, et al.
Veröffentlicht: (2025)

RankCLIP: Ranking-Consistent Language-Image Pretraining
von: Zhang, Yiming, et al.
Veröffentlicht: (2024)

Prompt Tuning for CLIP on the Pretrained Manifold
von: Yang, Xi, et al.
Veröffentlicht: (2026)

CLIP-Mamba: CLIP Pretrained Mamba Models with OOD and Hessian Evaluation
von: Huang, Weiquan, et al.
Veröffentlicht: (2024)

LA-Pose: Latent Action Pretraining Meets Pose Estimation
von: Wang, Zhengqing, et al.
Veröffentlicht: (2026)

AquaticCLIP: A Vision-Language Foundation Model for Underwater Scene Analysis
von: Alawode, Basit, et al.
Veröffentlicht: (2025)

EV-CLIP: Efficient Visual Prompt Adaptation for CLIP in Few-shot Action Recognition under Visual Challenges
von: Jon, Hyo Jin, et al.
Veröffentlicht: (2026)

MMIS: Multimodal Dataset for Interior Scene Visual Generation and Recognition
von: Kassab, Hozaifa, et al.
Veröffentlicht: (2024)

BRep Boundary and Junction Detection for CAD Reverse Engineering
von: Ali, Sk Aziz, et al.
Veröffentlicht: (2024)

CLIP-AE: CLIP-assisted Cross-view Audio-Visual Enhancement for Unsupervised Temporal Action Localization
von: Xia, Rui, et al.
Veröffentlicht: (2025)

Dataset and Benchmark for Urdu Natural Scenes Text Detection, Recognition and Visual Question Answering
von: Maryam, Hiba, et al.
Veröffentlicht: (2024)

A Backbone Benchmarking Study on Self-supervised Learning as a Auxiliary Task with Texture-based Local Descriptors for Face Analysis
von: Reddy, Shukesh, et al.
Veröffentlicht: (2026)

Investigating and Mitigating Object Hallucinations in Pretrained Vision-Language (CLIP) Models
von: Liu, Yufang, et al.
Veröffentlicht: (2024)

MAD: Microenvironment-Aware Distillation -- A Pretraining Strategy for Virtual Spatial Omics from Microscopy
von: Han, Jiashu, et al.
Veröffentlicht: (2026)

Text2CAD: Generating Sequential CAD Models from Beginner-to-Expert Level Text Prompts
von: Khan, Mohammad Sadil, et al.
Veröffentlicht: (2024)

SceneSplat: Gaussian Splatting-based Scene Understanding with Vision-Language Pretraining
von: Li, Yue, et al.
Veröffentlicht: (2025)

Latent Action Pretraining Through World Modeling
von: Tharwat, Bahey, et al.
Veröffentlicht: (2025)

OphCLIP: Hierarchical Retrieval-Augmented Learning for Ophthalmic Surgical Video-Language Pretraining
von: Hu, Ming, et al.
Veröffentlicht: (2024)

MAM-CLIP: Vision-Language Pretraining on Mammography Atlases for BI-RADS Classification
von: Gulluk, Halil Ibrahim, et al.
Veröffentlicht: (2026)

CAD-SIGNet: CAD Language Inference from Point Clouds using Layer-wise Sketch Instance Guided Attention
von: Khan, Mohammad Sadil, et al.
Veröffentlicht: (2024)

Towards Student Actions in Classroom Scenes: New Dataset and Baseline
von: Tan, Zhuolin, et al.
Veröffentlicht: (2024)

GASP: Efficient Black-Box Generation of Adversarial Suffixes for Jailbreaking LLMs
von: Basani, Advik Raj, et al.
Veröffentlicht: (2024)

GoldiCLIP: The Goldilocks Approach for Balancing Explicit Supervision for Language-Image Pretraining
von: Mohan, Deen Dayal, et al.
Veröffentlicht: (2026)

QwenCLIP: Boosting Medical Vision-Language Pretraining via LLM Embeddings and Prompt tuning
von: Wei, Xiaoyang, et al.
Veröffentlicht: (2025)

Color in Visual-Language Models: CLIP deficiencies
von: Arias, Guillem, et al.
Veröffentlicht: (2025)

Self-supervised Auxiliary Learning for Texture and Model-based Hybrid Robust and Fair Featuring in Face Analysis
von: Reddy, Shukesh, et al.
Veröffentlicht: (2024)

Image Synthesis with Graph Conditioning: CLIP-Guided Diffusion Models for Scene Graphs
von: Mishra, Rameshwar, et al.
Veröffentlicht: (2024)

Extreme Model Compression for Edge Vision-Language Models: Sparse Temporal Token Fusion and Adaptive Neural Compression
von: Tanvir, Md Tasnin, et al.
Veröffentlicht: (2025)

Robotic-CLIP: Fine-tuning CLIP on Action Data for Robotic Applications
von: Nguyen, Nghia, et al.
Veröffentlicht: (2024)