图像-文本关系预测：多语言推文中的应用
计算与语言
2025-05-09 v1 人工智能
计算机视觉与模式识别
摘要
多年来，社交网络一直允许上传媒体文件，但关于这些媒体文件与帖文文本之间关系的澄清始终并存疑问。本文探讨了多语言视觉语言模型如何在不同语言中解决图像-文本关系预测任务，并构建了一个来自拉脱维亚推文及其手动翻译成英文的数据集。我们与以往工作进行比较，表明近期发布的视觉语言模型 checkpoint 在该任务上日益强大，但仍有显著提升空间。
引用
@article{arxiv.2505.05040,
title = {Image-Text Relation Prediction for Multilingual Tweets},
author = {Matīss Rikters and Edison Marrese-Taylor},
journal= {arXiv preprint arXiv:2505.05040},
year = {2025}
}