利用大视觉语言模型令牌进行可供性定位

论文提出TokAG，一种无需外部监督的零样本可供性定位框架。方法利用大视觉语言模型输出令牌的语义与空间信号，通过空间感知令牌选择机制，筛选对目标物体激活最集中的注意力图，生成动作相关区域热图。在AGD20K未见类别划分和HICO-IIF上，NSS分别提升10.7%和29.7%。