영상 전체에서 픽셀로
CLIP의 영상 전체 인식 능력을 밀집 분할에 바로 옮기면 위치 정보가 충분하지 않을 수 있다. NACLIP은 각 패치의 지역적 위치를 자기 어텐션에 반영하는 문제에 집중한다.
이웃을 고려한 적응
비전 트랜스포머의 자기 어텐션에서 패치의 위치 대응을 강화한다. 분할에 유리한 구조적 선택으로 전체 영상 표현과 지역별 예측 사이의 간격을 줄이려 한다.
추가 자원의 범위
연구는 추가 자료와 보조 사전 학습 네트워크, 광범위한 초매개변수 조정을 요구하지 않는 구성을 제시했다. 이는 원래 CLIP을 학습하는 데 필요한 자료나 비용까지 없다는 뜻은 아니다.
벤치마크 평가
여덟 의미 분할 벤치마크에서 기존 방법과 비교했다. 개방 어휘 평가를 판단할 때는 새로 사용한 자료와 보조 모델, 적응 학습 여부를 함께 맞추어 비교해야 한다.