会员服务
AiGen-FoodReview: A Multimodal Dataset of Machine-Generated Restaurant Reviews and Images on Social Media
Arxiv
0+阅读 · 1月16日
Implicit Affordance Acquisition via Causal Action-Effect Modeling in the Video Domain
Arxiv
0+阅读 · 2023年12月18日
WhisBERT: Multimodal Text-Audio Language Modeling on 100M Words
Arxiv
0+阅读 · 2023年12月7日
WhisBERT: Multimodal Text-Audio Language Modeling on 100M Words
WhisBERT: Multimodal Text-Audio Language Modeling on 100M Words
Arxiv
0+阅读 · 2023年12月5日
COLA: A Benchmark for Compositional Text-to-image Retrieval
Arxiv
0+阅读 · 2023年11月3日
Lifelong Audio-video Masked Autoencoder with Forget-robust Localized Alignments
Arxiv
0+阅读 · 2023年10月12日
COLA: A Benchmark for Compositional Text-to-image Retrieval
Arxiv
0+阅读 · 2023年9月8日
COLA: How to adapt vision-language models to Compose Objects Localized with Attributes?
Arxiv
0+阅读 · 2023年5月5日
Controlling for Stereotypes in Multimodal Language Model Evaluation
Arxiv
0+阅读 · 2023年2月3日
VL-Taboo: An Analysis of Attribute-based Zero-shot Capabilities of Vision-Language Models
Arxiv
0+阅读 · 2022年9月12日
FLAVA: A Foundational Language And Vision Alignment Model
Arxiv
0+阅读 · 2022年3月29日
FLAVA: A Foundational Language And Vision Alignment Model
Arxiv
0+阅读 · 2022年2月6日
FLAVA: A Foundational Language And Vision Alignment Model
Arxiv
0+阅读 · 2021年12月8日
FLAVA: Find, Localize, Adjust and Verify to Annotate LiDAR-Based Point Clouds
Arxiv
0+阅读 · 2020年11月20日
参考链接
微信扫码咨询专知VIP会员
Top