两篇新研究论文探讨了时空视频基础的进展，这是一种根据自然语言查询精确地在长视频中定位对象的技术。第一篇论文介绍了一个将帧级跟踪转变为秒级跟踪的流水线，并使用强化学习来改进推理和定位。第二篇论文提出了一种自回归Transformer架构，该架构通过顺序处理、整合记忆库和采用级联时空定位方法来应对长视频的挑战。 AI
影响 这些进展可以实现对扩展视频内容中对象更高效、更准确的跟踪，从而影响监控、内容分析和自主系统等应用。
排序理由 两篇arXiv论文详细介绍了时空视频基础的新颖方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.29023v1 Announce Type: cross Abstract: Spatio-temporal grounding in long videos requires precise temporal localization and robust object tracking conditioned on natural-language queries. While recent vision-language models (VLMs) show strong reasoning ability, directly…
arXiv:2602.23294v2 Announce Type: replace Abstract: In real scenarios, videos can span several minutes or even hours. However, existing research on spatio-temporal video grounding (STVG), given a textual query, mainly focuses on localizing targets in short videos of tens of secon…