TextTeacher: I modelli linguistici migliorano la precisione visiva di 2,7 punti

Un nuovo metodo chiamato TextTeacher utilizza gli embedding di modelli linguistici per migliorare la classificazione delle immagini senza modificare l'inferenza. L'approccio, introdotto in un articolo su arXiv (2605.22098), aggiunge un obiettivo ausiliario leggero durante l'addestramento che inietta ancore semantiche da un codificatore testuale congelato. Su ImageNet con backbone ViT standard, la precisione migliora fino a 2,7 punti percentuali, con guadagni di trasferimento costanti che in media raggiungono +1,0 punto. TextTeacher supera la distillazione della conoscenza visiva a parità di budget computazionale.