基于视觉-语言整合的零样本人-物交互检测研究 学术背景 人-物交互（Human-Object Interaction, HOI）检测是计算机视觉领域的一个重要研究方向，旨在识别图像中人与物体之间的交互行为。传统的HOI检测方法主要依赖于监督学习，即需要大量的人工标注数据来训练模型。然而，这种方法在面对未见过的物体类别时，泛化能力有限。此外，现实世界中的人-物交互种类繁多且复杂，手动标注所有可能的交互类别既耗时又费力。 近年来，随着视觉-语言模型（Vision-Language Models, VLM）的快速发展，零样本学习（Zero-Shot Learning）成为了一个热门研究方向。零样本学习的目标是让模型能够识别在训练过程中从未见过的类别。基于这一背景，作者提出了一种名为“知识整合到HO...

Learning with Enriched Inductive Biases for Vision-Language Models 研究背景与问题提出 近年来，视觉-语言模型（Vision-Language Models, VLMs）在计算机视觉和自然语言处理领域取得了显著进展。这些模型通过大规模图像-文本对进行预训练，能够构建统一的多模态表示空间，从而在多种下游任务中表现出色。然而，在少样本学习（few-shot learning）场景下，如何有效地调整这些模型以适应特定任务，同时保持良好的泛化能力，仍然是一个亟待解决的问题。 现有方法通常依赖于提示工程（prompt engineering）或参数高效微调（Parameter-Efficient Fine-Tuning, PEFT）策略...

GL-MCM: 全局与局部最大概念匹配用于零样本分布外检测 研究背景与问题提出 在现实世界中，机器学习模型的应用环境往往面临数据分布的变化，例如新类别的出现。这种现象被称为“分布外检测”（Out-of-Distribution Detection, OOD）。为了确保模型在未知数据上的可靠性，OOD 检测成为一项关键任务。然而，传统的单模态监督学习方法虽然在特定任务上表现良好，但其训练成本高昂，且难以适应多样化的应用场景。 近年来，基于 CLIP（Contrastive Language–Image Pre-training）的零样本分布外检测方法引起了广泛关注。CLIP 是一种多模态预训练模型，能够通过自然语言监督学习视觉特征。尽管现有方法如 MCM（Maximum Concept Mat...

学术背景与问题提出 随着深度神经网络（Deep Neural Networks, DNNs）的快速发展，视觉智能系统在图像分类、目标检测、视频理解等任务中取得了显著进展。然而，这些突破依赖于高质量标注数据的收集，而标注过程通常耗时且昂贵。为了应对这一问题，研究人员开始利用大规模的网络数据进行训练，但这些数据往往带有噪声标签（label noise），这会影响深度神经网络的性能。噪声标签的存在会导致训练数据和测试数据分布不一致，从而影响模型在干净测试数据上的泛化能力。 为了解决这一问题，样本选择（sample selection）成为一种有效的方法。其核心思想是通过某种标准从所有训练样本中分离出干净的样本。以往的方法主要依赖于“小损失准则”（small loss criterion），即认为损...