Human-Like Coarse Object Representations in Vision Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Gizdov, Andrey, Procopio, Andrea, Li, Yichen, Harari, Daniel, Ullman, Tomer |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Towards aligned body representations in vision models
par: Gizdov, Andrey, et autres
Publié: (2025)
par: Gizdov, Andrey, et autres
Publié: (2025)
Chain of Time: In-Context Physical Simulation with Image Generation Models
par: Wang, YingQiao, et autres
Publié: (2025)
par: Wang, YingQiao, et autres
Publié: (2025)
Time-Series at the Edge: Tiny Separable CNNs for Wearable Gait Detection and Optimal Sensor Placement
par: Procopio, Andrea, et autres
Publié: (2025)
par: Procopio, Andrea, et autres
Publié: (2025)
The Illusion-Illusion: Vision Language Models See Illusions Where There are None
par: Ullman, Tomer
Publié: (2024)
par: Ullman, Tomer
Publié: (2024)
Category Query Learning for Human-Object Interaction Classification
par: Xie, Chi, et autres
Publié: (2023)
par: Xie, Chi, et autres
Publié: (2023)
MVP-Bench: Can Large Vision--Language Models Conduct Multi-level Visual Perception Like Humans?
par: Li, Guanzhen, et autres
Publié: (2024)
par: Li, Guanzhen, et autres
Publié: (2024)
VLM-HOI: Vision Language Models for Interpretable Human-Object Interaction Analysis
par: Kang, Donggoo, et autres
Publié: (2024)
par: Kang, Donggoo, et autres
Publié: (2024)
Object-Centric Vision Token Pruning for Vision Language Models
par: Li, Guangyuan, et autres
Publié: (2025)
par: Li, Guangyuan, et autres
Publié: (2025)
Like Humans to Few-Shot Learning through Knowledge Permeation of Vision and Text
par: Jia, Yuyu, et autres
Publié: (2024)
par: Jia, Yuyu, et autres
Publié: (2024)
Tackling the Abstraction and Reasoning Corpus with Vision Transformers: the Importance of 2D Representation, Positions, and Objects
par: Li, Wenhao, et autres
Publié: (2024)
par: Li, Wenhao, et autres
Publié: (2024)
MambaScope: Coarse-to-Fine Scoping for Efficient Vision Mamba
par: Liu, Shanhui, et autres
Publié: (2025)
par: Liu, Shanhui, et autres
Publié: (2025)
Two-stage Vision Transformers and Hard Masking offer Robust Object Representations
par: Aniraj, Ananthu, et autres
Publié: (2025)
par: Aniraj, Ananthu, et autres
Publié: (2025)
CoTZero: Annotation-Free Human-Like Vision Reasoning via Hierarchical Synthetic CoT
par: Du, Chengyi, et autres
Publié: (2026)
par: Du, Chengyi, et autres
Publié: (2026)
Investigating Fine- and Coarse-grained Structural Correspondences Between Deep Neural Networks and Human Object Image Similarity Judgments Using Unsupervised Alignment
par: Takahashi, Soh, et autres
Publié: (2025)
par: Takahashi, Soh, et autres
Publié: (2025)
Jack of All Tasks, Master of Many: Designing General-purpose Coarse-to-Fine Vision-Language Model
par: Pramanick, Shraman, et autres
Publié: (2023)
par: Pramanick, Shraman, et autres
Publié: (2023)
SynHLMA:Synthesizing Hand Language Manipulation for Articulated Object with Discrete Human Object Interaction Representation
par: zhi, Wang, et autres
Publié: (2025)
par: zhi, Wang, et autres
Publié: (2025)
When Large Vision-Language Model Meets Large Remote Sensing Imagery: Coarse-to-Fine Text-Guided Token Pruning
par: Luo, Junwei, et autres
Publié: (2025)
par: Luo, Junwei, et autres
Publié: (2025)
MESH -- Understanding Videos Like Human: Measuring Hallucinations in Large Video Models
par: Yang, Garry, et autres
Publié: (2025)
par: Yang, Garry, et autres
Publié: (2025)
Masked Modeling for Self-supervised Representation Learning on Vision and Beyond
par: Li, Siyuan, et autres
Publié: (2023)
par: Li, Siyuan, et autres
Publié: (2023)
The Geometry of Representational Failures in Vision Language Models
par: Savietto, Daniele, et autres
Publié: (2026)
par: Savietto, Daniele, et autres
Publié: (2026)
Human-Object Interaction from Human-Level Instructions
par: Wu, Zhen, et autres
Publié: (2024)
par: Wu, Zhen, et autres
Publié: (2024)
ObjectCompose: Evaluating Resilience of Vision-Based Models on Object-to-Background Compositional Changes
par: Malik, Hashmat Shadab, et autres
Publié: (2024)
par: Malik, Hashmat Shadab, et autres
Publié: (2024)
MM-IQ: Benchmarking Human-Like Abstraction and Reasoning in Multimodal Models
par: Cai, Huanqia, et autres
Publié: (2025)
par: Cai, Huanqia, et autres
Publié: (2025)
CF-VLA: Efficient Coarse-to-Fine Action Generation for Vision-Language-Action Policies
par: Du, Fan, et autres
Publié: (2026)
par: Du, Fan, et autres
Publié: (2026)
CoFi-Dec: Hallucination-Resistant Decoding via Coarse-to-Fine Generative Feedback in Large Vision-Language Models
par: Cao, Zongsheng, et autres
Publié: (2025)
par: Cao, Zongsheng, et autres
Publié: (2025)
DualEdit: Dual Editing for Knowledge Updating in Vision-Language Models
par: Shi, Zhiyi, et autres
Publié: (2025)
par: Shi, Zhiyi, et autres
Publié: (2025)
Learning Emergent Modular Representations in Multi-modality Medical Vision Foundation Models
par: He, Yuting, et autres
Publié: (2026)
par: He, Yuting, et autres
Publié: (2026)
DO-Bench: An Attributable Benchmark for Diagnosing Object Hallucination in Vision-Language Models
par: Wang, JiYang, et autres
Publié: (2026)
par: Wang, JiYang, et autres
Publié: (2026)
Beyond Boundaries: Leveraging Vision Foundation Models for Source-Free Object Detection
par: Yao, Huizai, et autres
Publié: (2025)
par: Yao, Huizai, et autres
Publié: (2025)
MAP: Mitigating Hallucinations in Large Vision-Language Models with Map-Level Attention Processing
par: Li, Chenxi, et autres
Publié: (2025)
par: Li, Chenxi, et autres
Publié: (2025)
FMNet: Frequency-Assisted Mamba-Like Linear Attention Network for Camouflaged Object Detection
par: Deng, Ming, et autres
Publié: (2025)
par: Deng, Ming, et autres
Publié: (2025)
Progressive Fine-to-Coarse Reconstruction for Accurate Low-Bit Post-Training Quantization in Vision Transformers
par: Ding, Rui, et autres
Publié: (2024)
par: Ding, Rui, et autres
Publié: (2024)
Deep Extrinsic Manifold Representation for Vision Tasks
par: Zhang, Tongtong, et autres
Publié: (2024)
par: Zhang, Tongtong, et autres
Publié: (2024)
Anatomy-Anchored Self-Supervision: Distilling Vision Foundation Models for Invariant Ultrasound Representation
par: Zhu, Chunzheng, et autres
Publié: (2026)
par: Zhu, Chunzheng, et autres
Publié: (2026)
HarmoCLIP: Harmonizing Global and Regional Representations in Contrastive Vision-Language Models
par: Zeng, Haoxi, et autres
Publié: (2025)
par: Zeng, Haoxi, et autres
Publié: (2025)
From Open Vocabulary to Open World: Teaching Vision Language Models to Detect Novel Objects
par: Li, Zizhao, et autres
Publié: (2024)
par: Li, Zizhao, et autres
Publié: (2024)
Aligning Vision Models with Human Aesthetics in Retrieval: Benchmarks and Algorithms
par: Zhang, Miaosen, et autres
Publié: (2024)
par: Zhang, Miaosen, et autres
Publié: (2024)
GTMA: Dynamic Representation Optimization for OOD Vision-Language Models
par: Zhang, Jensen, et autres
Publié: (2025)
par: Zhang, Jensen, et autres
Publié: (2025)
Investigating and Mitigating Object Hallucinations in Pretrained Vision-Language (CLIP) Models
par: Liu, Yufang, et autres
Publié: (2024)
par: Liu, Yufang, et autres
Publié: (2024)
Do Pre-trained Vision-Language Models Encode Object States?
par: Newman, Kaleb, et autres
Publié: (2024)
par: Newman, Kaleb, et autres
Publié: (2024)
Documents similaires
-
Towards aligned body representations in vision models
par: Gizdov, Andrey, et autres
Publié: (2025) -
Chain of Time: In-Context Physical Simulation with Image Generation Models
par: Wang, YingQiao, et autres
Publié: (2025) -
Time-Series at the Edge: Tiny Separable CNNs for Wearable Gait Detection and Optimal Sensor Placement
par: Procopio, Andrea, et autres
Publié: (2025) -
The Illusion-Illusion: Vision Language Models See Illusions Where There are None
par: Ullman, Tomer
Publié: (2024) -
Category Query Learning for Human-Object Interaction Classification
par: Xie, Chi, et autres
Publié: (2023)