视觉语言模型

TrafficVLM：基于视觉语言模型的交通视频智能字幕生成工具

TrafficVLM 是一个专注于交通场景的可控视觉语言模型，主要用于交通视频的字幕生成任务。该模型融合了多粒度视觉特征（全局、子全局、局部）与时间编码机制，能够精准理解交...