实体
Paritosh Parmar
Paritosh Parmar
PulseAugur coverage of Paritosh Parmar — every cluster mentioning Paritosh Parmar 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
-
新数据集和方法推动视频问答中的因果推理 · 跟踪到2个来源
研究人员推出了两个新的因果视频问答数据集和方法，旨在提高模型在动态视觉场景中理解复杂因果关系的能力。CausalChaos! 利用“猫和老鼠”卡通片创建具有多层次答案的挑战性问题，突显了对先进因果建模和联合视觉-语言方法的需求。ChainReaction 提出了一种模块化架构，将因果链提取与答案生成分开，通过使用自然语言因果链作为中间表示来增强可解释性和泛化能力。
-
新的CATE概念探索视频中动作与效果的视觉联系
研究人员引入了一个名为“视觉连接动作及其效果”（CATE）的新概念，用于视频理解。CATE探索两个方面：动作选择（AS）和效果亲和度评估（EAA），旨在语义和细粒度层面连接动作与其结果。当前模型在此任务上表现不佳，显著落后于人类，尽管它们可以在没有明确监督的情况下学习物体跟踪等直观属性。研究表明，CATE可以作为一种有效的自监督任务，用于从无标签视频中学习视频表示。
-
新的自监督学习方法改进运动姿态评估
研究人员开发了一种使用自监督学习评估运动姿态的新方法，该方法即使在专家标注数据有限的情况下也能提高准确性。该方法利用运动的自然运动和视觉条件的变化来学习鲁棒的表示。该方法在一个名为Fitness-AQA的新数据集上进行了测试，该数据集包括BackSquat、BarbellRow和OverheadPress等运动，并证明其性能优于现有的姿态估计技术。