超越专业化：评估多模态大语言模型在年龄和性别估计中的能力
计算机视觉与模式识别
2025-01-22 v4 人工智能
机器学习
摘要
多模态大语言模型 (MLLMs) 最近获得了极大的关注。强大的商业模型如 ChatGPT-4V 和 Gemini，以及开源模型如 LLaVA，本质上是通用模型，并被应用于解决各种任务，包括计算机视觉领域的任务。这些神经网络拥有如此强大的通用知识和推理能力，以至于事实证明它们甚至能够处理那些未经过专门训练的任务。我们将迄今为止最强大的 MLLMs（ShareGPT4V、ChatGPT、LLaVA-Next）在年龄和性别估计这一专业化任务中的能力，与我们最先进的专用模型 MiVOLO 进行了比较。我们还更新了 MiVOLO，并在本文中提供了细节和新指标。这种比较产生了一些关于参与模型优势和劣势的有趣结果和见解。此外，我们尝试了多种方法来微调 ShareGPT4V 模型以适应此特定任务，旨在在这一特定挑战中达到最先进的结果。尽管此类模型在生产环境中并不实用，因为与像 MiVOLO 这样的专用模型相比其成本极其高昂，但它可能在某些任务（如数据标注）中非常有用。
引用
@article{arxiv.2403.02302,
title = {Beyond Specialization: Assessing the Capabilities of MLLMs in Age and Gender Estimation},
author = {Maksim Kuprashevich and Grigorii Alekseenko and Irina Tolstykh},
journal= {arXiv preprint arXiv:2403.02302},
year = {2025}
}