跨模态推理新SOTA
该网络通过文本特征扩展和跨模态对齐，在指代表达理解任务中实现更精准的定位。
Mingcong, Lu · Li, Ruifan · 冯方向 · Ma, Zhanyu · Xiaojie, Wang
IEEE Transactions on Circuits and Systems for Video Technology 2024
通过文本特征扩展和跨模态对齐，模型能更好地捕捉语言相关的视觉特征，提升定位精度。
从坐标嵌入、跨模态对齐与融合、跨模态损失三个方面扩展文本特征，而不是将文本特征作为一个整体直接使用。
在五个基准数据集上进行了大量实验，结果表明达到了新的最优水平。