面向无训练的开词汇属性检测的组合式缓存

属性检测对于许多计算机视觉任务至关重要，因为它使系统能够描述颜色、纹理和材料等属性。当前方法通常依赖耗时的标注过程，而这本质上受限于对象可在任意细节水平上描述（例如颜色 vs. 颜色阴色），导致标注者未仔细指示时产生歧义。此外，它们 operate within a predefined set of attributes（属性集合），降低了可扩展性和对 unforeseen downstream applications（不可预见的下游应用）的适应性。我们提出了组合式缓存（ComCa），一种无训练的方法，用于开词汇属性检测，以克服上述限制。ComCa仅需要目标属性列表和对象作为输入，利用 web 规模数据库和大型语言模型（LLM）来确定属性-对象兼容性，从而填充包含图像的辅助缓存。为account for属性的组合性质，缓存图像获得软属性标签。在推理时，这些标签基于输入图像与缓存图像之间的相似性进行聚合，以细化底层视觉-语言模型（VLM）的预测。重要的是，我们的方法与模型无关，兼容各种 VLM。实验在公开数据集上表明，ComCa显著优于零样本和基于缓存的基线方法，与最新的训练方法竞争，证明精心设计的无训练方法能够成功解决开词汇属性检测问题。