Scaling Language-Image Pre-training via Masking（FLIP，2023）👍 贡献： 1.图像端引入MAE的随机MASK，image encoder只处理未mask的patches（和之前的MAE方法一致），减少了输入序列长度加速训练，减少memory开销。 text端没引入mask是因为text信息比较dense（图片信息比较稀疏），mas

1 GLIP: 十分钟解读GLIP：Grounded Language-Image Pre-training - 知乎 Grounded Language-Image Pre-training（GLIP）论文笔记 - 知乎 GLIP的主要贡献如下： 将phrase grounding和目标检测任务统一，将image和text prompt同时输入到目标检测网络中，prompt中带有图片

Paper：Grounded Language-Image Pre-training Code：https://github.com/microsoft/GLIP 简介： 定位任务与图像检测任务非常类似，都是去图中找目标物体的位置，目标检测为给出一张图片找出bounding box，定位为给出一个图片和文本，根据文本找出物体。GLIP 模型统一了目标检测（object detection）