关于多模态目标检测模型中文本的作用

[CC2033625919]

您好，如果多模态目标检测模型中的文本输入只是类别，而没有包含语义的语句输入，这样的话，感觉它和YOLO系列一样，只是用类别作监督，不同的是多模态目标检测模型多了类别输入，并没有引入多余的有效信息，对检测并没有起太多作用。这是我的理解，不知道对不对，麻烦您解答一下，谢谢。