每日学术速递6.30
点击下方卡片，关注「AiCharm」公众号
Subjects: cs.CV
1.MIMIC: Masked Image Modeling with Image Correspondences
标题：MIMIC：具有图像对应的蒙版图像建模
作者：Kalyani Marathe, Mahtab Bigverdi, Nishat Khan, Tuhin Kundu, Aniruddha Kembhavi, Linda G. Shapiro, Ranjay Krishna
文章链接：https://arxiv.org/abs//2306.15128
项目代码：https://github.com/RAIVNLab/MIMIC
摘要：
如今计算机视觉中的许多像素密集预测任务（深度估计和语义分割）都依赖于预训练的图像表示。因此，整理有效的预训练数据集至关重要。不幸的是，有效的预训练数据集是那些具有多视图场景的数据集，并且仅使用来自模拟环境的带注释的 3D 网格、点云和相机参数进行整理。我们提出了一种不需要任何注释的数据集管理机制。我们从开源视频数据集和合成 3D 环境中挖掘两个数据集：具有 1.3M 的 MIMIC-1M 和具有 3.1M 多视图图像对的 MIMIC-3M。我们训练具有不同掩模图像建模目标的多个自监督模型，以展示以下发现：在 MIMIC-3M 上训练的表示优于在多个下游任务上使用注释挖掘的表示，包括深度估计、语义分割、表面法线和姿势估计。当下游训练数据仅限于少数样本时，它们的性能也优于冻结的表示。更大的数据集 (MIMIC-3M) 显着提高了性能，这是有希望的，因为我们的管理方法可以任意扩展以生成更大的数据集。MIMIC 代码、数据集和预训练模型在此 https URL 上开源。
2.CLIPA-v2: Scaling CLIP Training with 81.1% Zero-shot ImageNet Accuracy within a 10,000 Budget; An Extra 4,000 Unlocks 81.8% Accuracy
标题：CLIPA-v2：在 10,000 美元的预算内以 81.1% 的零样本 ImageNet 准确率扩展 CLIP 训练；额外 4,000 美元可实现 81.8% 的准确率
作者：Xianhang Li, Zeyu Wang, Cihang Xie
文章链接：https://arxiv.org/abs//2306.15658
项目代码：https://github.com/UCSC-VLAA/CLIPA
摘要：
最近的工作 CLIPA 提出了 CLIP 训练的逆缩放定律——使用的图像/文本编码器越大，可应用于训练的图像/文本标记的序列长度越短。这一发现使我们能够训练高性能 CLIP 模型，并显着减少计算量。在此工作的基础上，我们特此提出 CLIPA-v2 的两个关键贡献。从技术上讲，我们发现这种逆缩放定律也适用于微调阶段，从而进一步减少计算需求。根据经验，我们大规模探索 CLIPA，将实验扩展到 H/14 模型，在训练期间看到约 13B 个图像-文本对。我们的结果令人兴奋——仅分配 10,000 美元的预算，我们的 CLIP 模型就实现了令人印象深刻的 81.1% 的零样本 ImageNet 准确率，比之前最好的 CLIP 模型（来自 OpenCLIP，80.1%）高出 1.0%，同时减少了计算量成本约 39 倍。此外，额外投资 4,000 美元，我们可以将零样本 ImageNet 准确率进一步提升至 81.8%。我们的代码和模型可从此 https URL 获取。
3.Kosmos-2: Grounding Multimodal Large Language Models to the World
标题：Kosmos-2：为世界奠定多模态大型语言模型的基础
作者：Zhiliang Peng, Wenhui Wang, Li Dong, Yaru Hao, Shaohan Huang, Shuming Ma, Furu Wei
文章链接：https://arxiv.org/abs/2306.14824
项目代码：https://aka.ms/kosmos-2
摘要：
我们引入了 Kosmos-2，一种多模态大语言模型 (MLLM)，支持感知对象描述（例如边界框）和将文本融入视觉世界的新功能。具体来说，我们将引用表达式表示为 Markdown 中的链接，即“[文本范围]（边界框）”，其中对象描述是位置标记的序列。我们与多模态语料库一起构建大规模的基础图像文本对数据（称为 GrIT）来训练模型。除了 MLLM 的现有功能（例如感知一般模式、遵循指令以及执行上下文学习）之外，Kosmos-2 还将接地功能集成到下游应用程序中。我们在广泛的任务上评估 Kosmos-2，包括（i）多模态基础，例如指称表达理解和短语基础，（ii）多模态指称，例如指称表达生成，（iii）感知语言任务，以及(iv) 语言理解和生成。这项工作为 Embody AI 的发展奠定了基础，并揭示了语言、多模态感知、动作和世界建模的大融合，这是迈向通用人工智能的关键一步。数据、演示和预训练模型可从此 https URL 获取。
推荐阅读
CVPR 2023 | 自动驾驶3D occupancy prediction挑战赛—冠军方案
CVPR 2023 | 神经网络超体？新国立LV lab提出全新网络克隆技术
点击卡片，关注「AiCharm」公众号
喜欢的话，请给我个在看吧！
