当前位置：首页 > news >正文

GFS-VL：融合3D VLM稠密知识与少样本校准的点云分割

news 2026/8/31 4:56:11

三维点云分割在自动驾驶、机器人操作和遥感分析中都很关键，但实际项目里经常面临标注样本少、类别分布不均的问题。GFS-VL 这类广义少样本三维点云分割框架，正是为了把 3D 视觉语言模型（3D VLM）中已经学到的大量稠密知识迁移到只有少量标注点云的新类别上。这里说的“稠密知识”不是一句口号，而是点级或区域级的文本-视觉对齐信息；而“少样本精准校准”也不是简单地在支持集上微调几下，而是要在基类知识不崩塌的前提下，让新类别的决策边界更可靠。

这篇文章不以复现具体实验数据为目标，而是围绕 GFS-VL 的设计动机、模块拆分、训练验证和工程落地展开。我会把这一类少样本点云分割工作通用的概念讲清楚，并给出可以落到代码层的关键思路和排查路径。即使你的实际项目不直接使用 GFS-VL 原仓库，下面的分析也能帮助你理解 3D VLM 与少样本分割结合时的核心难点和最优实践。

1. 少样本三维点云分割的困境，为什么需要 3D VLM 稠密知识

1.1 三维点云分割到底是什么任务

三维点云分割是给点云中的每个点一个语义标签。它不同于目标检测只输出一个包围框，也不同于点云分类只给整片点云一个类别。自动驾驶里，每个激光雷达点都需要区分是车辆、行人、骑行者还是地面；工业视觉里，机械臂抓取前需要把散乱工件的每个点划分到不同零件区域。

常见的处理方式是把原始点云变成规则化表示再处理，比如体素网格或投影到俯视图；也可以直接处理原始点，例如 PointNet++、PointTransformer 这类网络。核心问题是：点云的特点是稀疏、无序、密度不均匀，所以分割网络必须同时利用局部几何结构和全局上下文。传统监督学习依赖大量逐点标注，而逐点标注在三维数据上非常昂贵，这直接催生了少样本点云分割的研究。

1.2 少样本场景下传统方法失效的原因

少样本三维点云分割通常指支持集里每个新类别只有 1 到 5 个样本。传统全监督分割网络把类别当成固定的输出通道数，训练完成后只能分割训练时见过的类别。一旦需要增加新类别，就要重新收集大量标注、重新训练网络，这在真实场景里几乎不可接受。

少样本方法的目标是“学会学习”。训练阶段让模型见过很多基类任务，并学会如何从少量支持集中快速适配；测试阶段再把这种能力迁移到新类别上。常用的原型网络会计算支持集每个类别的原型，然后让查询集点云中的每个点与原型做距离匹配。

但这里有一个深层问题：如果支持集样本太少，原型本身就不稳定。尤其点云是三维空间中的无序点集，不同场景下的视角、遮挡、距离都会造成同类点云之间的较大差异。只用像素或点特征做距离度量，往往会把纹理、密度、局部形状混淆在一起。所以近年来的工作开始引入外部知识，其中 3D VLM 是一种很有潜力的知识来源。

1.3 3D VLM 能带来什么：稠密知识 vs 全局语义

3D VLM 是视觉语言模型在三维领域的延伸。典型的 2D VLM 可以编码图像和文本，让图片内容和自然语言描述在同一个特征空间里可比。3D VLM 则进一步把点云或三维场景与文本对齐，使模型能够理解“红色轿车的左后轮”这种细粒度指令。

从分割的角度看，3D VLM 的知识可以分成两种粒度：

全局语义知识：整段文本描述和整个场景的全局特征对齐。它可以告诉模型“这是一个室内场景”“这里有桌子”，但很难直接决定每个点属于哪个区域。
稠密知识：点级或者区域级特征与文本 token 对齐。它可以告诉模型“这些点对应椅子靠背”“这些点对应座椅面”，甚至能结合文本描述推断未见过的类别外观。

GFS-VL 强调的“稠密知识”正是后者。使用 3D VLM 作为特征提取器，可以把点云映射为逐点或者逐超点的高维特征，并与文本描述中的概念进行对齐。这样当支持集里只有很少的新类别样本时，模型仍然可以利用语言先验判断这些点可能属于什么语义。

1.4 广义少样本的含义

普通少样本分割通常只评估新类别，而广义少样本分割还要同时保持基类性能不下降。换句话说，模型不能为了迁就新类别，就把原来已经学会的类别搞乱。

这正是“少样本精准校准”出现的原因。校准不是简单地在支持集上重训练，而是要让新类别原型在预训练模型的特征空间里被“拉”到正确位置，同时避免扰动基类已有的决策边界。GFS-VL 名字里的 “Generalized” 指向的就是这种既要记得住旧类，又要学得会新类的场景。

2. GFS-VL 整体架构：稠密知识提取与少样本校准两条链路

2.1 总体流程和模块划分

虽然没有看到官方仓库里的逐层结构，但我们可以按同类框架的通用逻辑，把 GFS-VL 理解成四条主要流水线：

点云特征提取：用 3D 编码器把输入点云编码成逐点特征。
文本特征提取：用文本编码器把类别名、类别描述、属性短语编码成语义向量。
稠密知识对齐：把点云特征与文本特征做稠密对齐，形成知识库或上下文特征。
少样本校准：在支持集上构建原型，并校准原型和查询特征，最终完成分割。

论文标题里的“稠密知识 × 少样本精准校准”可以看作两条深度耦合的链路：一条负责从大规模预训练模型中抽取可迁移的稠密知识，另一条负责在少样本支持集上做稳健的适配。两者缺一不可。

2.2 3D 点云编码与文本语义对齐

点云编码器通常可以选择 PointNet++、PointTransformer、Point-MAE、Point-BERT 等骨干网络。3D VLM 的预训练方法一般包含对比学习，例如让点云特征和文本描述在同一个空间里尽量相似。

在少样本分割任务里，骨架网络通常不重新训练，或者只做轻量级微调。因为少样本支持集太小，从零训练极易过拟合。正确做法是加载在大型三维-文本数据集上预训练好的 3D VLM 权重，用它提取稳定的点特征和文本特征，再在下游分割头中加入少量可学习参数。

文本语义对齐未必只使用类别名称。比如类别是“door”，可以扩展成“a door in indoor scene”“a flat vertical surface for entering or exiting a room”这样的描述。这样文本编码器输出的向量会包含更丰富的几何和上下文先验，帮助点特征朝有区分性的方向靠拢。

2.3 稠密知识的提取与存储

稠密知识通常体现在两种形式：

点级特征图：每个点有一个 d 维特征向量，包含局部几何、颜色、法向量等融合信息。
超点/区域级 token：把点云分割成若干超点或 patch，每个 token 对应一个局部区域。

提取稠密知识时，会让点特征与文本 token 做注意力交互，或者计算逐点与文本类别的相似度图。这个相似度图可以变成伪标签或注意力权重，帮助后续校准模块判断哪些点更可靠。

许多 3D VLM 在预训练时对点云做的是全局对比，但是分割需要逐点输出。因此需要设计一个“上采样”或“特征传播”结构，把点云骨干网络下采样后的特征逐步恢复到原始分辨率。这个结构可以复用 PointNet++ 的特征传播模块，也可以使用 Transformer 解码器。

2.4 少样本精准校准模块的设计思路

少样本校准要解决三个问题：

原型计算不稳定：支持集样本少时，直接用支持集点特征平均得到的原型噪声很大。可以通过引入文本先验来修正原型，让原型向类别语义描述靠近。
基类和新类特征空间不一致：预训练模型可能对某些基类非常友好，但对新类别的特征响应可能偏移。校准可以学习一个轻量级变换，把支持集特征和查询集特征统一起来。
度量方式太粗糙：余弦相似度或欧氏距离各有局限。校准阶段可以学习每个类别一个可学习的尺度参数，甚至使用注意力机制让每个查询点动态组合多个语义相关的原型。

校准机制的一个通用形式是：

用支持集所有点的特征计算初始原型p_c。
通过文本描述得到文本原型t_c。
将初始原型和文本原型加权融合得到校准原型p_c' = α * p_c + β * t_c，其中α和β可以是可学习的门控参数。
对查询集点特征q，使用sim(q, p_c')生成分割 logits。

如果输入材料中的 GFS-VL 有更复杂的校准模块，例如包含多次迭代或梯度优化，也可以把它归纳为“从预训练特征空间到任务特征空间的可学习适配器”。

3. 从论文到实现：关键模块与伪代码示例

3.1 数据准备与支撑模块

假设我们要实现一个和 GFS-VL 思路相近的少样本点云分割系统，第一阶段需要准备：

训练基类数据集，例如 S3DIS、ScanNet 或自定义点云场景。
每个点云的类别标签。
每种类别的文本描述，至少包含类别名称，最好包含几何属性、上下文位置、颜色、材质等。
预训练 3D VLM 权重，常见格式是.pth或.pt。

实际工程中，文本描述可以手工编写，也可以使用现成的类别标签自动生成模板。模板的质量直接影响文本编码器的特征质量。

下面是一个简化版的数据结构示例：

@dataclass class PointCloudSample: coords: torch.Tensor # (N, 3) 或 (N, 6) 包含颜色 feats: torch.Tensor # (N, C) 可选额外特征 labels: torch.Tensor # (N,) scene_id: str @dataclass class ClassDescription: class_id: int name: str prompts: List[str]

文本描述可以这样组织：

CLASS_PROMPTS = { "chair": [ "a chair", "a seat with a back and four legs", "a piece of furniture for sitting in an indoor scene", ], "table": [ "a table", "a flat horizontal surface supported by legs", "a piece of furniture commonly found in office rooms", ], }

3.2 文本-点云对齐损失示例

稠密对齐的目的是让每个点特征和正确类别的文本描述更近，和错误类别的文本描述更远。如果网络输出逐点特征point_feats，文本编码器输出文本特征text_feats，可以计算逐点对比损失：

def dense_text_point_loss(point_feats, labels, text_feats, temperature=0.07): """ point_feats: (N, D) 逐点特征 labels: (N,) text_feats: (C, D) C 个类别的文本特征 """ # 归一化 point_feats = F.normalize(point_feats, dim=-1) text_feats = F.normalize(text_feats, dim=-1) # 相似度矩阵 (N, C) logits = point_feats @ text_feats.T / temperature # 每个点的真实类别标签 loss = F.cross_entropy(logits, labels) return loss

这个损失很直观，但直接使用可能会受到非语义点的影响。比如地板上的点可以同时匹配 “floor” 和 “ground”，这时需要依赖文本编码器的语义区分能力，或者引入类别关系图来软化标签。

3.3 支持集原型计算与校准示例

少样本校准模块可以在推理阶段运行。假设支持集有 K 个新类别的点云样本，我们要为每个类别建立一个原型。

普通原型网络直接平均：

def compute_prototypes(support_feats, support_labels, num_classes): prototypes = [] for c in range(num_classes): mask = support_labels == c if mask.sum() == 0: prototypes.append(torch.zeros(support_feats.size(-1))) else: proto = support_feats[mask].mean(dim=0) prototypes.append(proto) return torch.stack(prototypes)

这种方式在小样本下不稳定。一种校准方式是把文本原型和点云原型进行加权融合：

def calibrate_prototypes(point_proto, text_proto, alpha, beta): """ point_proto: (C, D) text_proto: (C, D) alpha, beta: 可学习标量或 (C,) 向量 """ return alpha * point_proto + beta * text_proto

更精细的做法是让校准参数依赖支撑集特征分布。比如先计算每个类别的协方差，再对文本原型做“分布偏移修正”，也可以使用一个小型 MLP 从支持集特征中预测校准残差：

class PrototypeCalibrator(nn.Module): def __init__(self, feat_dim, hidden_dim=128): super().__init__() self.mlp = nn.Sequential( nn.Linear(feat_dim * 2, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, feat_dim), ) def forward(self, point_proto, text_proto): fusion_feat = torch.cat([point_proto, text_proto], dim=-1) residual = self.mlp(fusion_feat) calibrated = point_proto + residual return calibrated

这里的核心思路是不要丢弃文本先验，而是让校准器根据支撑集特征决定文本原型应该贡献多少。

3.4 训练和推理伪代码

一个面向广义少样本分割的训练循环可以分成两个阶段：

第一阶段训练稠密对齐，让点云特征和文本语义对齐。第二阶段固定点云骨干网络，只训练校准模块，模拟少样本场景。

# 第一阶段：稠密知识对齐 for batch in train_loader: point_feats = point_encoder(batch.coords, batch.feats) text_feats = text_encoder(batch.prompts) loss = dense_text_point_loss(point_feats, batch.labels, text_feats) loss.backward() optimizer.step() # 第二阶段：少样本校准 for episode in few_shot_loader: support, query = episode support_feats = point_encoder(support.coords, support.feats) query_feats = point_encoder(query.coords, query.feats) point_proto = compute_prototypes(support_feats, support.labels, num_episode_classes) text_proto = text_encoder(support.prompts) calibrated_proto = calibrator(point_proto, text_proto) logits = compute_similarity(query_feats, calibrated_proto) loss = cross_entropy_with_points(logits, query.labels) loss.backward() calibrator_optimizer.step()

需要明确的一点是：基础网络是否参与第二阶段训练取决于显存和过拟合风险。若让 backbone 也参与微调，学习率要设得非常小，例如1e-5；校准模块的学习率可以设置成1e-3。

4. 环境准备、评估配置与实验验证

4.1 常见实验环境和依赖

少样本三维点云分割通常需要 GPU 加速，显存建议至少 16GB。常见依赖包括：

Python 3.8 或 3.9
PyTorch 1.13 或 2.0 以上
CUDA 11.x 或 12.x
点云处理库，例如 Open3D、torch-points3d 或 PointNet++ 自带的采样模块
文本编码器通常来自预训练模型库，例如 HuggingFace 的 BertModel 或 CLIP 的文本分支

如果原始仓库没有明确版本，落地前要先确认依赖版本。不同版本的 PyTorch 在球查询、最远点采样等算子上的兼容性差异很大。

安装示例：

conda create -n gfsvl python=3.9 conda activate gfsvl pip install torch==2.0.1 torchvision==0.15.2 --index-url https://download.pytorch.org/whl/cu118 pip install open3d tqdm tensorboard

如果使用分布式训练，还需要安装torch.distributed的相关启动工具，不过单卡调试阶段可以先不用。

4.2 数据集与评测指标

少样本点云分割常用数据集包括：

S3DIS：室内场景，有 6 个区域，常用于 3D 语义分割。
ScanNet：室内重建场景，带语义标注。
PartNet：细粒度零件分割，类别多，适合测试细粒度少样本分割。

评估指标通常以 mIoU 为主：

IoU = 预测正确的点数 / (预测为该类点数 + 真实为该类点数 - 预测正确的点数)
mIoU = 所有类别 IoU 的平均值

广义少样本设置下，要分别报告：

基类 mIoU（Base mIoU）
新类别 mIoU（Novel mIoU）
调和平均 (H) = 2 * Base * Novel / (Base + Novel)

调和平均是广义少样本分割最关键的指标，因为它同时惩罚基类遗忘和新类别性能差。

4.3 配置示例

可以用 YAML 管理整个实验配置：

exp_name: gfs_vl_s3dis seed: 42 data: dataset: s3dis root_dir: ./data/s3dis num_points: 2048 block_size: 1.0 model: backbone: pointtransformer pretrained_ckpt: ./pretrained/3d_vlm_pointtransformer.pth feat_dim: 256 text_backbone: bert-base-uncased text_dim: 768 few_shot: train_episodes: 20000 eval_episodes: 1000 support_shots: [1, 2, 5] num_base_classes: 10 num_novel_classes: 4 train: lr: 0.001 lr_backbone: 0.00001 weight_decay: 0.0001 epochs: 50 eval: metrics: ["mIoU", "base_mIoU", "novel_mIoU", "h_mean"]

4.4 验证流程：支持集划分、基类/新类评估

验证阶段需要严格区分基类和新类别。一种常见的做法是：

从训练集中随机采样 N 个类别作为基类，让模型在这部分类别上完成稠密对齐训练。
从剩余类别中随机抽取若干个作为新类别，构造支持集和查询集。
一个 episode 中，从新类别里随机选 K 个类别，每个类别随机取 S 个点云作为支持集。
查询集从同类但不同场景的点云中采样，包含这 K 个新类别，也可能包含基类，视具体广义设置而定。
模型用支持集构建原型，预测查询集每个点的标签。

验证脚本的关键是保证支持集和查询集不来自同一个样本，否则会变成记忆而不是泛化。

运行一个简单评估的示意命令：

python eval_fewshot.py \ --config configs/gfs_vl_s3dis.yaml \ --ckpt ./checkpoints/best.pth \ --support_shots 5 \ --episodes 1000

预期输出至少包含：

Episode average mIoU: 0.523 Base mIoU: 0.714 Novel mIoU: 0.412 H mean: 0.522

这里数值是假设值，仅用于说明输出格式。真实实验应以论文或仓库为准。

5. 复现和落地中的常见问题与排查路径

5.1 显存不足或 OOM

现象：模型开始训练后很快报CUDA out of memory，尤其在使用 3D VLM 和逐点文本注意力时。

可能原因：

点云采样点数太大，特征图过大。
批量太大或推理时支持集和查询集同时加载。
梯度累积没有正确配置，导致优化器在梯度爆炸时占用额外显存。

排查方式：

nvidia-smi

查看显存占用。然后在代码里打印每个 tensor 的形状和显存占比，找到内存峰值位置。

解决方案：

将单卡点云点数从 10000 降到 4096 或 2048。
减小 batch size，并开启梯度累积。
在推理阶段关闭梯度计算：with torch.no_grad():。
使用混合精度训练：

scaler = torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): loss = model(...) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()

预防建议：在做大实验前先做一个 10 步训练测试，确认显存峰值低于 GPU 总显存的 80%。

5.2 精度始终上不去

现象：少样本分割 mIoU 明显低于论文数值，甚至和随机猜测差不多。

可能原因：

预训练 3D VLM 权重没有正确加载，backbone 参数被随机初始化。
文本描述和真实点云特征差距太大，类别名称过于泛化。
支持集和查询集划分错误，训练时使用了测试类别。
校准模块只训练在基类上，但测试时新类别分布和基类差异太大。

检查方式：

打印 backbone 第一层权重是否和预训练权重一致。
在验证集上先测试“多头原型”而不是“少样本原型”，如果多头原型正常，说明模型本身没有问题，问题出在少样本校准。
检查每个 episode 中类别标签是否有重叠。

解决方案：

为文本描述加入更多几何属性，如“直立的平面结构”“有四个腿的支撑物体”。
让校准模块同时在合成的新类别任务上训练，例如从基类中模拟多个少样本 episode。
降低 backbone 微调学习率，避免在少量支持集上过度拟合。

预防建议：每次修改实验配置后，先固定 seed 跑 10 个 episode，确认精度不出现剧烈波动。

5.3 加载预训练 3D VLM 后输出异常

现象：加载预训练模型后，输出的特征全是同一数值或NaN。

可能原因：

权重维度不匹配，加载时出现了严格匹配之外的自动形状广播。
输入点云没有做归一化，导致编码器内部出现极端数值。
文本编码器的输出维度和点云特征维度不一致，被强行Linear映射后出现数值不稳定。

检查方式：

for name, param in model.named_parameters(): if torch.isnan(param).any(): print("NaN param:", name)

然后再检查 forward 输出的均值、方差：

feat = point_encoder(coords, feats) print(feat.mean(), feat.std())

解决方案：

对点云坐标做归一化，例如将所有坐标缩放到以质心为中心、半径 1 的球内。
在加载权重时使用strict=False并打印未加载的 key，确认哪些层被重新初始化。
对文本特征再加一层 LayerNorm，再与点云特征对齐。

预防建议：在加载权重后立即跑一个空数据 forward 检查，杜绝带病训练。

5.4 支持集和查询集划分混乱

现象：训练阶段的 loss 非常低，但测试阶段性能很差，疑似数据泄漏。

可能原因：

同一个场景被同时划分为支持集和查询集。
episode 采样时没有保证类别样本来自不同场景。
基类和新类别的类别 ID 映射冲突，导致文本特征取错。

检查方式：

打印支持集样本路径和查询集样本路径，查看是否重叠。
检查支持集中每个类别的强标签数量是否确实为 S。
如果使用场景名作为唯一标识，确认同一个场景没有同时出现在两个集合。

解决方案：

用scene_id作为划分依据，先按场景划分，再从不同场景中采样支持集和查询集。
为每个 episode 生成一个随机种子，便于复现和排查。
如果支持集和查询集的点数不一致，要明确是否需要对查询集做随机降采样。

预防建议：把数据划分逻辑独立成一个工具模块，并在每次生成 episode 后打印统计表。

5.5 校准模块过拟合

现象：支持集上分割准确率接近 100%，但查询集 mIoU 很低。

可能原因：

校准模块参数量远大于支持集样本数。
训练阶段使用了相同支持集反复迭代，导致记忆支持集细节。
文本先验没有约束，校准模块完全覆盖了文本信息。

解决方案：

缩小校准模块容量，一个 MLP 只预测残差的模长或方向，不预测完整特征。
在校准模块输出到原型时加入 dropout 或噪声。
使用早停：在验证 episode 上监控查询集 mIoU，而不是支持集 mIoU。

推荐做法：

calibrated = point_proto + 0.1 * F.tanh(residual) * text_proto

这种形式强制残差不会无限增大，同时文本原型始终参与贡献，降低过拟合风险。

6. 最佳实践与可扩展方向

6.1 从 GFS-VL 设计里可复用的工程清单

这里整理一份可以直接用于少样本点云分割实验的检查清单：

[ ] 确认预训练 3D VLM 是否包含点云编码器和文本编码器，权重格式是否匹配。
[ ] 确认文本描述是否覆盖类别名称、几何属性、场景上下文。
[ ] 将点云坐标归一化到单位球或固定范围，颜色特征按数据集统计做标准化。
[ ] 在训练前用 10 个 mini-batch 做前向和反向验证，排除形状和显存问题。
[ ] 严格按场景划分支持集和查询集，避免数据泄漏。
[ ] 记录每次 episode 的类别列表、支持集样本路径和随机种子。
[ ] 使用 Base mIoU、Novel mIoU、H mean 三个指标共同评估广义少样本分割。
[ ] 权重加载时使用strict=False，并输出缺失和未匹配的 key。
[ ] 校准模块只在与文本特征交互的部分增加参数量，不要堆叠过多全连接层。
[ ] 推理阶段强制关闭梯度计算，并保存校准后的原型特征以便分析。

6.2 学习环境与生产环境差异

学习环境主要指单卡 GPU 上跑通一个小数据集，验证思路是否可行。此时可以降低点数、减少 epoch、简化文本描述。

生产环境则要额外考虑：

配置外置化：数据集路径、模型路径、文本模板不要硬编码在代码里。
日志与监控：记录每次 episode 的 mIoU、loss、原型变化和显存占用。
权限与安全：模型文件和数据文件应放到受管控的存储中，不随便加载来源不明的权重。
异常处理：捕获点云为空、文本编码失败、GPU 显存不足等异常，保证长时间训练不中断。
回滚方案：保存多个 checkpoint，并保留生成 checkpoint 的配置和 seed。
版本兼容：固定 PyTorch、CUDA、Python、依赖库的版本，使用 lock 文件。

生产环境下，少样本分割模型往往部署为离线批量任务而不是实时在线推理。此时可以把所有测试场景的点云先输入到 3D VLM 编码器中，缓存逐点特征，然后只对新类别支持集做校准和推理。这样能显著降低重复计算成本。

6.3 可以继续研究的方向

GFS-VL 所代表的“稠密知识 + 少样本校准”思路还有不少可以扩展的点：

文本描述自动生成：手工写 prompt 很费精力，可以尝试用大语言模型为每个类别生成多个候选描述，再用特征一致性过滤冗余描述。
类别关系建模：不是所有类别都彼此独立，利用类别之间的语义关联，可以缓解支持集极小时的原型偏移。
多模态融合：点云之外如果还有 RGB 图像、深度图、雷达图，可以进一步把 2D 视觉语言模型的知识迁移到三维点云。
在线持续更新：真实应用中，新类别会不断出现。广义少样本分割可以结合持续学习算法，让新类别加入时不遗忘旧类别。
更高效的校准器：尝试把 support set 中的少量样本直接作为 Transformer 的 token，让大型预训练模型通过上下文学习完成新类别的分割，减少额外参数。

学习少样本分割最有效的练习不是反复读论文，而是自己动手构造一个 episode 数据加载器。你可以先在 S3DIS 上随机选取 5 个类别作为基类，再选取 2 个类别作为新类别，支持集每个类别取 5 个场景，查询集取其他场景。先把最简单的原型网络跑通，再逐步加入文本原型和校准模块。这样你会更清楚 GFS-VL 中每一步改动的目的，也能更容易判断自己的实验问题出在哪个环节。

查看全文

http://www.cnnetsun.cn/news/4320356.html