arXiv · cs.AI· Adam Pardyl·· 20 天前AI 评分27
DisParQ：基于自监督部件概念的可解释视觉基础模型方法
DisParQ: Self-Supervised Part Concepts for Interpretable Vision Foundation Models
来源与原文
arXiv · cs.AI
作者：Adam Pardyl
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.09802v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
研究者提出 DisParQ，从冻结的 DINOv2 自监督骨干中学习空间定位的离散概念表示，无需类别标签和语言监督。该方法将图像 patch 分配到可学习原型字典中的概念，并用离散属性捕捉概念变化，空间解码器可从概念与属性重建骨干表示。在 ImageNet 线性探测上达到 83.2% top-1，接近其冻结教师模型，概念一致性高于语言对齐模型，并在 CUB、Cars 等细粒度数据集上保持竞争力。
来源：arXiv · cs.AI · arxiv.org