研究人员开发了一个名为Seeing Before Synthesizing (SBS)的新框架,以改进弱监督密集视频字幕生成。该方法使用视觉语言模型(VLMs)为事件之间的视频片段生成帧级叙述,并根据语义变化识别过渡。然后,该框架通过融合时间中点和语义变化点来优化视觉语言对齐,从而精炼这些过渡的时间掩码。在ActivityNet Captions和YouCook2数据集上的实验表明,SBS在视频事件定位和字幕生成方面均达到了最先进的性能。 AI
影响 通过在弱监督设置下提高事件定位和描述的准确性,增强了视频理解能力。
排序理由 详细介绍视频字幕新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- ActivityNet Captions
- alphaXiv
- CatalyzeX Code Finder for Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- ScienceCast
- Seeing Before Synthesizing
- vision-language model
- YouCook2
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →