跳到正文
arXiv · 机器人与计算机视觉· Di Yang, Xiaochang Li, Muyang Liu, Yufei Wang, Yanhai Xiong·· 27 天前精选AI 评分78

Ask About the Right Moment:训练自由型物体身份推理用于视频语言模型

Ask About the Right Moment: Training-Free Object Identity Reasoning for Video-Language Models

AI 导读

该研究针对视频语言模型难以在时间序列中区分同一物体的问题,提出了'Track, Then Bind'的无需训练方法。通过可提示的视频追踪器固定候选对象并编号,再由冻结的视觉 - 语言模型对识别证据进行静态问答以绑定目标与轨迹,最终基于追踪状态推导答案。

推荐理由

提出无需训练的'先追踪后绑定'方法,解决视频语言模型在长时序物体身份维持上的难题。

来源:arXiv · 机器人与计算机视觉 · arxiv.org