CAPTOR: text-encoder-free grounding by counting caption co-occurrence over the visual words of a frozen encoder

Elad Yoshai, Natan T. Shaked

На странице источника доступны аннотация, полный текст или сведения о том, где его прочитать. Препринт может ещё не пройти рецензирование; проверьте, появилась ли журнальная версия.