Tag · 2 篇
思维链提示
分布 视觉语言模型1视频理解与时序1
01 02
面向意图识别的层次语义表示驱动的进化式多模态推理
Evolutionary Multimodal Reasoning via Hierarchical Semantic Representation for Intent Recognition
把多模态语义组织成 token 级、概念级、概念关系级三层表示，再用 CoT 提示注入 MLLM 做逐步推理，并借 MLLM 反馈在推理时迭代精炼表示——这套「层次语义 + 自进化提示」流程可直接迁移到视觉问答、视觉定位等需要多粒度视觉语义推理的任务。
分解与迁移：思维链提示增强的对齐用于开放词表时序动作检测
Decompose and Transfer: CoT-Prompting Enhanced Alignment for Open-Vocabulary Temporal Action Detection
利用大语言模型的思维链推理将动作标签分解为阶段级描述，并通过文本引导的前景过滤和自适应阶段对齐实现细粒度视觉-文本匹配，为开放词表时序动作检测提供可迁移的语义先验。