Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.05067

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2501.05067 (cs)
[提交于 2025年1月9日 (v1) ,最后修订 2025年3月14日 (此版本, v2)]

标题: LLaVA-Octopus:解锁视频理解的指令驱动自适应投影融合

标题: LLaVA-Octopus: Unlocking Instruction-Driven Adaptive Projector Fusion for Video Understanding

Authors:Jiaxing Zhao, Boyuan Sun, Xiang Chen, Xihan Wei, Qibin Hou
摘要: 在本文中,我们介绍了LLaVA-Octopus,一种新颖的视频多模态大语言模型。 LLaVA-Octopus根据用户指令自适应地加权来自不同视觉投影器的特征,使我们能够利用每个投影器的互补优势。 我们观察到,不同的视觉投影器在处理特定任务时表现出不同的特性。 例如,一些投影器在捕捉静态细节方面表现优异,而另一些则在处理时间信息方面更有效,还有一些更适合需要时间一致性的任务。 通过根据用户指令动态调整特征权重,LLaVA-Octopus动态选择并组合最合适的特征,显著提升了模型在多模态任务中的性能。 实验结果表明, LLaVA-Octopus在多个基准测试中表现出色,特别是在视频问答、长视频理解以及综合多项选择基准任务中,突显了其广泛的应用潜力。
摘要: In this paper, we introduce LLaVA-Octopus, a novel video multimodal large language model. LLaVA-Octopus adaptively weights features from different visual projectors based on user instructions, enabling us to leverage the complementary strengths of each projector. We observe that different visual projectors exhibit distinct characteristics when handling specific tasks. For instance, some projectors excel at capturing static details, while others are more effective at processing temporal information, and some are better suited for tasks requiring temporal coherence. By dynamically adjusting feature weights according to user instructions, LLaVA-Octopus dynamically selects and combines the most suitable features, significantly enhancing the model's performance in multimodal tasks. Experimental results demonstrate that LLaVA-Octopus achieves excellent performance across multiple benchmarks, especially in tasks such as video question answering, long video understanding, and comprehensive multi-choices benchmarks, highlighting its broad application potential.
评论: 18页,10图
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2501.05067 [cs.CV]
  (或者 arXiv:2501.05067v2 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.05067
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Boyuan Sun [查看电子邮件]
[v1] 星期四, 2025 年 1 月 9 日 08:43:57 UTC (13,344 KB)
[v2] 星期五, 2025 年 3 月 14 日 07:29:54 UTC (12,701 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号