MINER：面向冻结双编码器稀有目标检索的多裁剪推理时增强

英文标题：MINER: Multi-crop INference-time Enhancement for Rare-Object Retrieval with Frozen Dual Encoders

该论文关注使用冻结双编码器进行文本到图像检索时的稀有小目标问题。作者指出，当查询描述杂乱场景中较小、视觉上处于从属地位的对象时，单一全局图像嵌入难以充分表达局部视觉证据，导致检索性能下降。论文提出名为 MINER 的免训练方法，旨在通过推理阶段增强改善此类目标的检索效果。这一方向可为不希望重新训练视觉语言模型的开发者提供更轻量的检索优化思路。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB