Attention-guided local dynamic alignment: Boosting zero-shot classification of vision-language models
Este artículo propone el Alineamiento Dinámico Local Guiado por Atención (ALDA), un método libre de entrenamiento que mejora la clasificación de visión-lenguaje zero-shot mediante el empleo de un muestreo multiescala adaptativo impulsado por la atención para reducir el ruido de fondo y una propagación iterativa bidireccional en un grafo bipartito de región-descripción para modelar correlaciones semánticas mutuas, logrando así mejoras significativas de precisión a través de diversos benchmarks.