LSMDC v2

新框架确立视频分析中的角色身份

研究人员开发了一个新的身份感知视频字幕和问答框架，该框架明确地将角色身份定位在视频片段中。该方法结合了自动角色识别、使用边界框的空间定位以及视觉-语言模型的任务特定适应。该框架在LSMDC v2数据集上进行了测试，并显示出显著的改进，特别是对于像GPT 5.6 "Sol"这样的大型模型以及微调后的Qwen模型（称为BAC-8B）而言，它们在识别角色和回答有关其行为的问题方面取得了高精度。