当前位置：首页 > news >正文

论文阅读：MultiUI 利用网页UI进行丰富文本的视觉理解

news 2025/9/4 3:31:18

《HARNESSING WEBPAGE UIS FOR TEXT-RICH VISUAL UNDERSTANDING》
利用网页UI进行丰富文本的视觉理解

总结

grounding和QA部分的数据集占比较大、同时消融实验显示其作用相对较大，并且grounding部分作用和效果呈现scaling正相关
提供了很多web数据处理成多模态训练集的prompt、思路等、提供了开源代码：https://neulab.github.io/MultiUI/

1、前言

1M URLs
2个平台
3种能力：视觉理解和推理、文本识别、定位

在这里插入图片描述

基于充分结构化的网页来合成多模态指令数据集

在这里插入图片描述

2、数据集构建

数据集通过4步构造

在这里插入图片描述

9个任务的具体设计【重点】

在这里插入图片描述

数据分布

grounding数据占 3M/7.3M ~ 41%，mobile的grounding占mobile数据的 47.8%
其次占比最多的是 WebQA、ImgQA

在这里插入图片描述

Grounding和action的一些数据示例

在这里插入图片描述

3、实验设置

模型结构

在这里插入图片描述

训练策略：两阶段训练

在这里插入图片描述

Benchmark

在这里插入图片描述

4、实验结果分析

GUI相关任务的实验结果
- 没有把Seeclick模型在SSpot上的结果放出来（mobile-0.657）；

在这里插入图片描述

GUI grounding的能力和数据集大小存在正相关关系
消融实验说明了加入grounding数据集对于screenspot评测集的必要性

在这里插入图片描述

两阶段训练效果更优、提升2点左右

在这里插入图片描述

论文阅读：MultiUI 利用网页UI进行丰富文本的视觉理解

《HARNESSING WEBPAGE UIS FOR TEXT-RICH VISUAL UNDERSTANDING》利用网页UI进行丰富文本的视觉理解总结 grounding和QA部分的数据集占比较大、同时消融实验显示其作用相对较大，并且grounding部分作用和效果呈现scaling正相关提供了很多web数据处理成多模态训练…...

编程日记 2024/10/30 19:54:45

【云原生】云原生后端详解：架构与实践

目录引言一、云原生后端的核心概念1.1 微服务架构1.2 容器化1.3 可编排性1.4 弹性和可伸缩性二、云原生后端的架构示意图三、云原生后端的最佳实践3.1 使用服务网格3.2 监控与日志管理3.3 CI/CD 流水线3.4 安全性总结参考资料引言随着云计算的迅猛发展，云原生…...

编程日记 2024/10/30 19:53:44

MySQL覆盖索引

覆盖索引（Covering Index）是数据库优化中的一种重要技术覆盖索引是指一个查询语句在执行时，所需的数据可以完全通过索引来获取，而无需访问实际的数据行。也就是说，查询语句所需的列都包含在了创建的索引中&#xff0c…...

编程日记 2024/10/30 19:51:34

「C/C++」C/C++ 之循环结构详解

✨博客主页何曾参静谧的博客📌文章专栏「C/C」C/C程序设计📚全部专栏「VS」Visual Studio「C/C」C/C程序设计「UG/NX」BlockUI集合「Win」Windows程序设计「DSA」数据结构与算法「UG/NX」NX二次开发「QT」QT5程序设计「File」数据文件格式「PK」Parasoli…...

编程日记 2024/10/30 19:43:24

json-server的基本使用

一、json-server工具的使用可以快速的搭建符合RESTful API服务。返回符合RESTful规范的数据； 1、全局引入json-server包 npm install -g json-server2、创建json格式的db.json文件 {"jsonData": [{"name": "小明"}] }3、在json文…...

编程日记 2024/10/30 19:42:22

华为配置BFD状态与接口状态联动实验

组网图形图1 配置BFD状态与接口状态联动组网图 BFD简介配置注意事项组网需求配置思路操作步骤配置文件 BFD简介为了减小设备故障对业务的影响，提高网络的可靠性，网络设备需要能够尽快检测到与相邻设备间的通信故障，以便及时采取措施&…...

编程日记 2024/10/30 19:40:19

计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-22

计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-22 目录文章目录计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-22目录1. PoisonedRAG: Knowledge corruption attacks to retrieval-augmented generation of large language models摘要创新点…...

编程日记 2024/10/30 19:38:14

理解消息队列

消息队列（Message Queue）有下面四大作用： 解耦。几个业务系统之间可以通过 MQ 解耦，例如做数据同步数据的顺序性和可恢复性异步通讯缓冲能力理解 MQ MQ 的前两个特点且不说，我们看看另外两个的。异步通讯&#x…...

编程日记 2024/10/30 19:37:12

!什么，matlab也有网页版了

已经脱离matlab一下下几天的困境了，是的，matlab也有网页版了附上网址： MATLAB Login | MATLAB & Simulink...

编程日记 2024/10/30 19:36:11

安卓屏幕息屏唤醒

背景，今天遇项目需要，需要在下载在后台任务运行时（如下载、上传或进行长时间计算），保持 CPU 活动，然后就写了这个实现方法，废话不多说上代码第一步，再清单AndroidManifest文件声明权…...

编程日记 2024/10/30 19:35:10

类文件具有错误的版本 61.0, 应为 55.0

启动项目的时候报这个错误. 项目所使用的redis版本是jdk17的，而我使用的是Java11.所以要将redis版本降下来。另一种方式就是修改jdk的版本，在设置修改编译版本，在版本控制里面修改jdk的版本。...

编程日记 2024/10/30 19:34:09

vue点击菜单，出现2个相同tab,啥原因

点击菜单，出现相同的tab 出现的原因： 1.组件中的name 和配置路由文件js, 的大小写不一致导致 2、跳转的路由整个地址，大小写不一致大致...

编程日记 2024/10/30 19:29:51

【网络原理】——图解HTTPS如何加密（通俗简单易懂）

阿华代码，不是逆风，就是我疯你们的点赞收藏是我前进最大的动力！！ 希望本文内容能够帮助到你！！ 目录一：HTTP为什么不安全二：HTTPS加密过程 1：密码学中的概念 &…...

编程日记 2024/10/30 19:27:47

CentOS 修改服务器登录密码的完整指南

个人名片 🎓作者简介：java领域优质创作者 🌐个人主页：码农阿豪 📞工作室：新空间代码工作室（提供各种软件服务） 💌个人邮箱：[2435024119qq.com] &#x1f4f1…...

编程日记 2024/10/30 19:26:45

【PnP】详细公式推导，使用DLT直接线性变换法求解相机外参

文章目录 🚀PnP1️⃣ 求解不考虑尺度的解2️⃣ 恢复解的尺度3️⃣ 另一种解法 🚀PnP PnP(Perspective-n-Point)是求解3D到2D点相机外参的算法。PnP算法有DLT直接线性变换、P3P三对点估计位姿、EPnP(Efficient PnP)、BA(Bundle Adjustment)光速法平差。这…...

编程日记 2024/10/30 19:22:32

怎样把书上的事件图改编成活动图-《分析模式》漫谈43

DDD领域驱动设计批评文集做强化自测题获得“软件方法建模师”称号《软件方法》各章合集《分析模式》中模型图的UML改编，之前也有人做过，Martin Fowler网站上给出了部分改编成果。这些改编成果只覆盖了部分章节，而且只是把类型图&#…...

编程日记 2024/10/30 19:21:31

CodeFormer——基于代码本查找变换器的鲁棒盲人脸修复翻译

文章目录原文翻译摘要1 Introduction2 Related Work3 Methodology3.1 Codebook Learning (Stage I)3.2 Codebook Lookup Transformer Learning (Stage II)3.3 Controllable Feature Transformation (Stage III) 4 Experiments4.1 Datasets4.2 Experimental Settings and Metri…...

编程日记 2024/10/30 19:20:29

监控场景下，视频SDK的应用策略

在当今数字化、智能化的时代背景下，音视频技术的快速发展正深刻改变着各行各业。特别是在监控领域，音视频SDK的应用不仅极大地提升了监控系统的性能与效率，还推动了监控技术的智能化转型。一、音视频SDK 音视频SDK是一套集成了音视频编解码…...

编程日记 2024/10/30 19:18:27

前端面试必备！HTML 超实用考点全解析

在前端开发的广阔领域中，面试是检验开发者能力的关键环节。而 HTML 作为前端开发的基础，在面试中常常占据重要地位。无论是初入前端领域的新人，还是经验丰富的开发者，都可能在 HTML 的相关问题上遭遇挑战。今天，就让我…...

编程日记 2024/10/30 19:16:24

自动驾驶系统研发系列—避免事故的利器：AEB自动紧急制动系统详解

🌟🌟 欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。 🚀 探索专栏：学…...

编程日记 2024/10/30 19:14:19

XCTF-web-easyupload

试了试php，php7，pht，phtml等，都没有用尝试.user.ini 抓包修改将.user.ini修改为jpg图片在上传一个123.jpg 用蚁剑连接，得到flag...

编程新知 2025/9/1 14:21:55

脑机新手指南（八）：OpenBCI_GUI：从环境搭建到数据可视化（下）

一、数据处理与分析实战 （一）实时滤波与参数调整基础滤波操作 60Hz 工频滤波：勾选界面右侧 “60Hz” 复选框，可有效抑制电网干扰（适用于北美地区，欧洲用户可调整为 50Hz）。平滑处理&…...

编程新知 2025/7/31 5:34:43

React Native 开发环境搭建（全平台详解）

React Native 开发环境搭建（全平台详解） 在开始使用 React Native 开发移动应用之前，正确设置开发环境是至关重要的一步。本文将为你提供一份全面的指南，涵盖 macOS 和 Windows 平台的配置步骤，如何在 Android 和 iOS…...

编程新知 2025/7/14 21:22:23

【位运算】消失的两个数字（hard）

消失的两个数字（hard） 题⽬描述：解法（位运算）：Java 算法代码：更简便代码题⽬链接：⾯试题 17.19. 消失的两个数字题⽬描述： 给定⼀个数组，包含从 1 到 N 所有…...

编程新知 2025/7/8 4:43:23

数据库分批入库

今天在工作中，遇到一个问题，就是分批查询的时候，由于批次过大导致出现了一些问题，一下是问题描述和解决方案： 示例： // 假设已有数据列表 dataList 和 PreparedStatement pstmt int batchSize 1000; // …...

编程新知 2025/7/18 1:50:27

SpringCloudGateway 自定义局部过滤器

场景： 将所有请求转化为同一路径请求（方便穿网配置）在请求头内标识原来路径，然后在将请求分发给不同服务 AllToOneGatewayFilterFactory import lombok.Getter; import lombok.Setter; import lombok.extern.slf4j.Slf4j; impor…...

编程新知 2025/9/3 11:05:35