Muhammad Ferjad Naeem

ProText melhora modelos de visão-linguagem usando dados só de texto pra lidar melhor com as tarefas.

O FocusCLIP melhora o reconhecimento de ações humanas usando mapas de calor e descrições em texto.

Avaliando as capacidades e desafios dos modelos avançados de entendimento de vídeo.

Uma nova abordagem baseada em difusão lida com várias tarefas de visão computacional de forma eficaz.