VLPrompt: التحفيز البصري-اللغوي لإنشاء الرسم البياني الشامل للمناظر الطبيعية

توليد الرسم البياني الشامل للمشهد (Panoptic Scene Graph Generation - PSG) يهدف إلى تحقيق فهم شامل للصورة من خلال تقسيم الأشياء وتنبؤ العلاقات بينها بشكل متزامن. ومع ذلك، فإن مشكلة الذيل الطويل في العلاقات تؤدي إلى نتائج غير مرضية في التطبيقات الواقعية. تعتمد الطرق السابقة بشكل أساسي على المعلومات البصرية أو استخدام معلومات لغوية محدودة، مثل أسماء الأشياء والعلاقات، مما يؤدي إلى إغفال قيمة المعلومات اللغوية. استنادًا إلى التقدم الحديث في النماذج اللغوية الكبيرة (Large Language Models - LLMs)، نقترح استخدام المعلومات اللغوية لمساعدة التنبؤ بالعلاقات، خاصة بالنسبة للعلاقات النادرة. لهذا الغرض، نقترح نموذج التحفيز البصري-اللغوي (Vision-Language Prompting - VLPrompt)، الذي يحصل على المعلومات البصرية من الصور والمعلومات اللغوية من النماذج اللغوية الكبيرة. ثم، من خلال شبكة تحفيز تعتمد على آلية الانتباه، يتم تحقيق تنبؤ دقيق بالعلاقات. تظهر تجاربنا الواسعة أن VLPrompt يتفوق بشكل كبير على الطرق السابقة الأكثر تقدمًا في مجموعة بيانات PSG، مما يثبت فعالية دمج المعلومات اللغوية وتخفيف مشكلة الذيل الطويل في العلاقات. يمكن الحصول على الكود من الرابط \url{https://github.com/franciszzj/TP-SIS}.