محققان در یک پژوهش جدید، راهکاری برای حل یکی از چالشهای بزرگ مدلهای بینایی-زبانی (VLM) ارائه دادهاند. تا پیش از این، مدلها در درک تصاویر «غیر RGB» (مانند تصاویر حرارتی، مادون قرمز و…) که ویژگیهای فیزیکی خاصی دارند، ضعیف بودند.
تکنیک جدید SAFT به مدلها اجازه میدهد بدون نیاز به آموزش سنگین و با کمترین داده، این تصاویر را به دقت تحلیل کنند. همچنین بنچمارک جدید VS-TDX برای سنجش دقیق این مدلها در دنیای واقعی معرفی شده است. این یعنی هوش مصنوعی در محیطهایی مثل رباتیک و صنعت، بسیار کاربردیتر از قبل خواهد شد! 🤖✨
منبع: arXiv Computer Vision
