Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 26 октября 2026 года] Название: GIFT: Представляемые геометрические вопросы для общего вида объекта PDF HTML (экспериментальное) резюме: Single-Domain Generaldismated Objection (S-DGOD) имеют целью обобщать, начиная с одного домена источника в невидимые области при перераспределении. Нынешние усилия сосредоточены главным образом на имитации невидимых областей или устранении факторов, характерных для конкретных доменов. Вместе с тем в них во многом не учитывается неотъемлемый потенциал обобщения, который заложен в модели " Vision Foundation Models (VFM). В этой работе мы показываем, что неподготовленная точная регулировка нарушает геометрическую структуру предварительно подготовленных представлений, которые кодируют инвариантную семантику. Исходя из этого, мы предлагаем метод геометрической коррекции ВФМ. В частности, мы введем ряд воспоминаний об овладевших домохозяйствах для предварительно подготовленных весов с целью поощрения адаптации к геометрии при перераспределении доменов. Кроме того, мы предлагаем легкое масштабирование каналов в целях содействия эффективной адаптации к конкретным задачам. Широкие эксперименты показывают, что ГИФТ последовательно опережает подходы к разработке двух показателей СДГОД. В частности, благодаря внедрению в замороженную магистраль дополнительных поддающихся обучению параметров менее 1% предлагаемый метод обеспечивает улучшение на уровне +7,9% и +2,9% в…
GIFT: Геометрические вопросы представительства для общего обнаружения объектов в одном направлении
arXiv: 261 030.35374v1 Вид уведомления: новое резюме: однородное общее обнаружение объекта (S-DGOD) имеет целью обобщать, начиная от одного домена источника и кончая невидимыми домиками в рамках перераспределения. Нынешние усилия сосредоточены главным образом на имитации невидимых областей или устранении факторов, характерных для конкретных доменов. Вместе с тем в них во многом не учитывается неотъемлемый потенциал обобщения, который заложен в модели " Vision Foundation Models (VFM). В этой работе мы показываем, что неподготовленная точная регулировка нарушает геометрическую структуру предварительно подготовленных представлений, которые кодируют инвариантную семантику. Исходя из этого, мы предлагаем метод геометрической коррекции ВФМ. В частности, мы введем ряд воспоминаний об овладевших домохозяйствах для предварительно подготовленных весов с целью поощрения адаптации к геометрии при перераспределении доменов. Кроме того, мы предлагаем легкое масштабирование каналов в целях содействия эффективной адаптации к конкретным задачам. Широкие эксперименты показывают, что GIF