arXiv cs.CV· Illia Volkov, Nikita Kisel, Klara Janouskova, Jiri Matas·· 3 小时前AI 评分22
用 VLM 的视觉与语言嵌入做图像识别：SigLIP 2、RADIOv2.5 评测与免训练融合方法
Image Recognition with Vision and Language Embeddings of VLMs
AI 导读
研究对 SigLIP 2、RADIOv2.5 等双编码器 VLM 在 ImageNet-1k 验证集及其标签修正版上评测了语言引导与纯视觉两种图像分类，并分析了提示词设计、类别多样性、k-NN 邻居数和参考集规模对准确率的影响。结果显示语言与视觉各有互补优势，部分类别更适合文本提示，另一些则靠视觉相似度更优。作者据此提出一种基于逐类精度的免训练融合方法，提升了分类性能，代码已开源。
来源：arXiv cs.CV · arxiv.org