カテゴリー: DeepLearning

870{icon} {views} タイトル：Generalized Decoding for Pixel, Image, and Language 著者：Xueyan Zou, Zi-Yi Dou, Jianwei Y […]...

7.7k{icon} {views} CoCaとBLIP2の訓練済みモデルで遊んでみました。「ImageNet 1Kのゼロショット精度」と「キャプション生成」の2点について検証してみました。 きっかけ ほぼ同時期にBLI […]...

10k{icon} {views} タイトル：BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large […]...

1.5k{icon} {views} タイトル：InstructPix2Pix: Learning to Follow Image Editing Instructions 著者：Tim Brooks, Aleksand […]...

5.2k{icon} {views} 自然言語処理モデルT5を使って文章単位の埋め込み量（Sentence Embedding）を取得することを考えます。T5のEmbeddingはトークン単位ですが、平均を取ることで、簡 […]...

755{icon} {views} オープンセットな行動認識のできるText4VisというモデルをHMDB51で試し撃ちしてみました。訓練済みモデルが公開されており、すぐ利用することができます。 はじめに Text4Vi […]...

1.1k{icon} {views} タイトル：StyleTTS: A Style-Based Generative Model for Natural and Diverse Text-to-Speech Synthe […]...

3.6k{icon} {views} タイトル：OCR-free Document Understanding Transformer 著者：Geewook Kim, Teakgyu Hong, Moonbin Yim, […]...

739{icon} {views} タイトル：Lightweight Attentional Feature Fusion: A New Baseline for Text-to-Video Retrieval 著者：F […]...

7.4k{icon} {views} タイトル：Large Language Models are Zero-Shot Reasoners 著者：Takeshi Kojima, Shixiang Shane Gu, Ma […]...