类别混淆建模

CAPT：面向减少视觉-语言错位的混淆感知提示词微调

CAPT: Confusion-Aware Prompt Tuning for Reducing Vision-Language Misalignment

把 CLIP 类模型在相似类别间的系统性混淆当作可学习的监督信号：用混淆库加语义/样本双挖掘器与多粒度专家融合来修正提示词，可直接迁移到任何需要细粒度判别或开放词表分类的视觉-语言下游任务。