MARIC：用于图像分类的多智能体推理

于红博

摘要: 图像分类传统上依赖于参数密集的模型训练，需要大规模注释的数据集和广泛的微调才能实现竞争性的性能。尽管最近的视觉语言模型(VLMs)缓解了一些这些约束，但它们仍然受限于对单次表示的依赖，往往无法捕捉到视觉内容的补充方面。在本文中，我们介绍了基于多智能体推理的图像分类(MARIC)，这是一个将图像分类重新构想为一个协作推理过程的多智能体框架。MARIC首先利用一个Outliner Agent来分析图像的全局主题并生成有针对性的提示。基于这些提示，三个Aspect Agents沿着不同的视觉维度提取细粒度描述。最后，一个Reasoning Agent通过集成反思步骤综合这些互补的输出，产生一个统一的表示用于分类。通过明确地将任务分解为多个视角并鼓励反思综合，MARIC缓解了参数密集训练和单一VLM推理的缺点。针对4个多样化的图像分类基准数据集的实验表明，MARIC明显优于基线，突出了多智能体视觉推理对于鲁棒且可解释的图像分类的有效性。

更新时间: 2025-09-18 11:27:00

领域: cs.CV,cs.AI,cs.CL,cs.MA

下载: http://arxiv.org/abs/2509.14860v1