Chuyển đổi tương đồng hành vi cho phân loại thị giác-ngôn ngữ zero-shot

Một hình ảnh khó phân loại riêng lẻ có thể có một ảnh lân cận hữu ích trong cùng batch không gán nhãn. Các mô hình thị giác-ngôn ngữ (VLM) zero-shot chấm điểm ảnh độc lập và bỏ qua nguồn thông tin này; nghiên cứu khai thác các batch truy vấn nhỏ không có ví dụ được gán nhãn, trong đó độ tương đồng thị giác có thể phản ánh tư thế.