Semantic-Guided Temporal Aggregator

ScanFocus框架通过粗粒度到细粒度方法增强视频定位

研究人员推出ScanFocus，一个旨在改进时空视频定位（STVG）的新框架。该方法解决了在视频中平衡全局上下文与精确对象定位的挑战，而当前方法由于计算成本和时间下采样常常难以应对。ScanFocus采用粗粒度到细粒度策略，首先进行全局扫描生成初始提案，然后通过语义引导时间聚合器（SGTA）进行细化，以捕捉细粒度细节和快速运动变化，从而实现精确的时间戳回归。在多个基准测试上的实验表明，ScanFocus的性能优于现有方法。