Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

PerceptionLM: Open-Access Data and Models for Detailed Visual Understanding

Created by
  • Haebom

저자

Jang Hyun Cho, Andrea Madotto, Effrosyni Mavroudi, Triantafyllos Afouras, Tushar Nagarajan, Muhammad Maaz, Yale Song, Tengyu Ma, Shuming Hu, Suyog Jain, Miguel Martin, Huiyu Wang, Hanoona Rasheed, Peize Sun, Po-Yao Huang, Daniel Bolya, Nikhila Ravi, Shashank Jain, Tammy Stark, Shane Moon, Babak Damavandi, Vivian Lee, Andrew Westbury, Salman Khan, Philipp Krahenbuhl, Piotr Dollar, Lorenzo Torresani, Kristen Grauman, Christoph Feichtenhofer

개요

본 논문은 컴퓨터 비전 연구에 필수적인 비전-언어 모델의 블랙박스 성격으로 인한 과학적 진보의 어려움을 해결하고자, 완전히 공개적이고 재현 가능한 프레임워크에서 Perception Language Model (PLM)을 구축하는 연구를 제시합니다. 기존의 독점 모델을 이용한 지식 증류 방식 대신 표준 훈련 파이프라인을 분석하고, 대규모 합성 데이터를 활용하여 특히 상세한 비디오 이해에서의 데이터 격차를 파악합니다. 이러한 격차를 해소하기 위해 280만 개의 정교한 비디오 질의응답 쌍과 시공간적으로 기반을 둔 비디오 캡션으로 구성된 데이터셋을 공개하고, 비디오의 "무엇", "어디", "언제", "어떻게"에 대한 추론 능력을 평가하는 PLM-VideoBench라는 평가 도구도 함께 공개합니다. 데이터, 훈련 레시피, 코드 및 모델을 모두 제공하여 완전한 재현성을 확보합니다.

시사점, 한계점

시사점:
완전히 공개된 비전-언어 모델 및 데이터셋 제공을 통한 컴퓨터 비전 연구의 투명성 향상
대규모 합성 데이터 및 실제 데이터 분석을 통한 비디오 이해의 데이터 격차 파악 및 해결 방안 제시
새로운 비디오 이해 평가 도구 PLM-VideoBench를 통한 더욱 정교한 모델 평가 가능
재현 가능한 연구 환경 제공을 통한 과학적 진보 촉진
한계점:
합성 데이터의 한계로 인한 실제 데이터와의 차이 존재 가능성
PLM-VideoBench의 평가 지표가 모든 비디오 이해 문제를 포괄하지 못할 수 있음
공개된 모델이 최첨단 성능을 달성하지 못할 가능성 (비록 블랙박스 모델 지식 증류를 사용하지 않더라도)
👍