计算机科学 > 计算机视觉与模式识别
[提交于 2025年8月1日
]
标题: 基于指令的视觉投影器用于生成式视觉-语言模型的持续学习
标题: Instruction-Grounded Visual Projectors for Continual Learning of Generative Vision-Language Models
摘要: 持续学习使预训练的生成视觉-语言模型(VLMs)能够在不使用以前的再训练数据的情况下,将新任务的知识纳入其中。最近的方法更新了视觉投影器,以将视觉信息翻译为新任务,将预训练的视觉编码器与大型语言模型连接起来。然而,这样的调整可能导致模型更重视视觉输入而不是语言指令,特别是在学习具有重复类型文本指令的任务时。为了解决对语言指令的忽视,我们提出了一种新的框架,该框架基于语言模型的指令来实现视觉信息的翻译。我们引入了视觉投影器的混合,每个投影器根据给定的指令上下文作为专门的视觉到语言翻译专家,以适应新任务。为了避免在不相关的指令上下文中使用专家,我们提出了一个专家推荐策略,该策略重新使用之前学习过的类似任务的专家。此外,我们引入了专家剪枝,以减轻在先前任务中累积激活的专家使用带来的干扰。在多种视觉-语言任务上的广泛实验表明,我们的方法通过生成遵循指令的响应,优于现有的持续学习方法。
文献和引用工具
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
推荐器和搜索工具
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.