Matthias Minderer
収録論文 3本 ・ フィジカルAI/ロボット学習
VLA視覚関係検出画像認識/Transformer
※arXiv著者名で収集。同姓同名の別人の論文が含まれる場合があります。
論文
- RoPEを超えて:STRINGによる2D・3D位置エンコーディングの改善VLA2025/2/1
大規模言語モデルで広く使われるRotary Position Encodingsを統一的な理論枠組みで拡張し、任意次元のトークン座標に対して厳密な並進不変性を保ちつつ低計算コストで2D・3D位置エンコーディングを実現するSTRINGを提案。Vision Transformerに統合し、オープンボキャブラリ物体検出やロボティクス制御で性能向上を示した。
- シーングラフViT:オープンボキャブラリな視覚関係検出のためのエンドツーエンド手法視覚関係検出2024/3/1
Transformerベースの画像エンコーダで物体をトークンとして表現し、関係を暗黙的にモデル化することで、追加のデコーダなしにオープンボキャブラリな視覚関係検出をエンドツーエンドで実現した。
- 画像は16x16の単語に価値がある:大規模画像認識のためのTransformer画像認識/Transformer2020/10/22
画像をパッチ列として扱い、畳み込みを使わない純粋なTransformer(ViT)で画像分類を行い、大規模事前学習により従来のCNNに匹敵する性能を少ない計算資源で達成した。
