MSVD-Turkish: a comprehensive multimodal video dataset for integrated vision and language research in Turkish
PulseAugur coverage of MSVD-Turkish: a comprehensive multimodal video dataset for integrated vision and language research in Turkish — every cluster mentioning MSVD-Turkish: a comprehensive multimodal video dataset for integrated vision and language research in Turkish across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
VEDJE系统通过紧凑缓存实现高效视频-文本检索
研究人员开发了VEDJE，一种可扩展视频-文本检索的新型系统，可显著降低计算成本。VEDJE通过将视频特征压缩成紧凑、可重用的缓存来实现这一点，从而能够与新查询进行高效匹配。这种方法在MSR-VTT、MSVD、DiDeMo和ActivityNet等基准测试中提高了检索准确性，同时大幅缩小了每个视频的数据占用空间。
-
VEDJE编码器通过压缩特征提升视频-文本检索性能
研究人员开发了VEDJE，一种新颖的视频高效判别联合编码器（Video-Efficient Discriminative Joint Encoder），旨在提高视频-文本检索的可扩展性和效率。该方法将视频特征压缩成可重用缓存，显著降低了检索时的计算成本。通过在训练期间引入特征变化预测信号，VEDJE在不增加查询时工作量的情况下提高了检索准确性。该系统在MSR-VTT、MSVD、DiDeMo和ActivityNet等多个基准测试中表现强…
-
新数据集和模型推动文本到长视频检索能力发展
研究人员推出了MELON，这是一个专为多事件文本到长视频检索设计的新大规模数据集，解决了现有数据集主要关注具有单一事件的短片段的局限性。MELON标注了长视频中的多个事件间隔，使模型能够更好地理解复杂的多事件结构。同时，还提出了一个名为TAME的框架，通过将时间建模集成到基于CLIP的架构中来增强文本视频检索。TAME利用专家混合层和帧-时间标记来捕捉局部帧细节和长距离时间依赖性，在标准的检索基准上表现出改进的性能。
-
新的WSV框架通过合成视频生成改进零样本视频字幕生成
研究人员开发了一个名为WSV的新框架，用于零样本视频字幕生成，该框架解决了仅文本训练与基于视频的推理之间的跨模态差距。该方法包括使用文本到视频模型生成合成视频潜在表示，然后由一个抛光器进行细化以提高保真度。最后，一个提示器根据这些抛光后的表示对GPT-2进行条件化以生成字幕。该方法在MSVD、MSR-VTT和VATEX数据集上的B@4得分达到52，CIDEr得分达到95.7。
-
新框架在不重新训练模型的情况下提高了视频字幕的准确性
研究人员开发了 ProCap，一个旨在增强视频字幕生成而无需重新训练现有大型视觉语言模型的新框架。该方法使用轻量级的评分机制，根据空间显著性、时间持久性和关系动态来识别和优先处理重要对象。然后，一个迭代的、由提示驱动的精炼循环将这些相关对象注入字幕中，与基线模型相比，甚至与 ChatGPT 和 Gemini 的直接比较相比，显著提高了完整性并减少了幻觉。
-
新框架对齐文本和视频分布以改进检索
研究人员引入了分布对齐桥梁（DAB），一个新颖的文本到视频检索框架，将任务视为分布对齐问题。DAB不进行直接匹配，而是将文本和视频嵌入建模为高斯分布，并纳入不确定性。该系统使用受扩散模型启发的桥梁，迭代地将文本分布向视频分布细化，并通过基于Kullback-Leibler散度的对比损失进行优化相似度。在MSR-VTT和VATEX等基准上的评估表明，DAB优于现有的概率和基于扩散的方法。