实体
NExT-GQA
NExT-GQA
PulseAugur coverage of NExT-GQA — every cluster mentioning NExT-GQA across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新方法提高视频问答的准确性和可靠性 · 跟踪3个来源
研究人员正在开发先进的方法来提高视频问答（VideoQA）模型的可靠性和准确性。一种方法侧重于通过分析响应图并使用直方图梯度提升等技术来优化答案级别的可靠性分数，该方法在HERBench和Perception Test等基准测试中取得了显著改进。另一种方法LOVER采用课程学习策略，将模型从长距离推理适应到短距离推理，在GQA基准测试中取得了最先进的成果。此外，一个名为AutoSkill的框架根据问题类型自动发现和路由帧选择技能，通过…
-
新框架应对大型视觉语言模型中的视频推理挑战
研究人员开发了新的框架来应对大型视觉语言模型（LVLMs）在视频推理方面的挑战。一种方法是“证据链”（Chain of Evidence, CoE），它通过使用轻量级的接地模块和证据锚定协议，将接地与推理解耦，以提高效率并减少幻觉。另一种方法是GroundFormer，它通过在定位之前根据问题语义对视频特征进行条件化，将问题意图与时间证据相结合，旨在改进问题区分性接地。这两种方法在各种视频理解基准测试中都展示了最先进的性能。
-
新框架使用反事实推理改进视频问答系统
研究人员开发了一个名为CREDIT的新框架，以提高视频问答系统的可靠性。该框架使用反事实推理和结构因果模型来解开视频数据中的因果证据与虚假关联。通过将表示分解为因果和非因果部分，并采用特征级因果干预，CREDIT旨在创建更值得信赖的AI系统，能够准确地定位证据。