ID-VTG

新的ID-VTG任务通过图文查询增强视频时序定位

研究人员推出了图像消歧视频时序定位（ID-VTG）这一新任务，旨在提高在仅凭文本查询不足时，在视频中定位特定事件的能力。该方法结合参考图像和文本描述，来精确定位特定实例执行描述动作的片段。为了支持该任务，创建了两个基准测试集：IDVTG-Gym和IDVTG-InternVid，它们包含具有相似实体和时间干扰因素的复杂场景。提出的视觉引导消歧聚合（VGD-Agg）框架采用双分支架构，以高效生成和优化事件提案，并取得了最先进的成果。