研究人员推出了一种新颖的嵌入模型VTrajEmbed,旨在改进文本与视频对象轨迹之间的细粒度对齐。该模型将视频分解为单独的对象轨迹,并将其与文本对齐,以实现更精确的对象级定位。VTrajEmbed采用了慢速-快速轨迹编码架构和掩码引导对比学习目标,在轨迹级检索基准测试中表现优于Qwen3-VL-Embedding-8B等现有模型。 AI
影响 增强了视频理解中的对象级定位能力,可能改进视频搜索和摘要等应用。
排序理由 该集群包含一篇研究论文,详细介绍了一种将文本与视频对象轨迹对齐的新模型和方法论。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Hugging Face
- Mask-Guided Contrastive Learning
- Qwen3-VL-Embedding-8B
- Slow-Fast Trajectory Encoding
- Text2Traj-Bench
- VTrajEmbed
- VTrajEmbed-5B
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →