arXiv · 机器人与计算机视觉· Bessie Dominguez-Dager, Francisco Gomez-Donoso, Miguel Cazorla, Marc Pollefeys, Daniel Barath, Zuria Bauer·· 24 天前AI 评分62
从帧到时序图:基于 VLM 的自下而上动作识别研究
From Frames to Temporal Graphs: In-Context Egocentric Action Recognition with Vision-Language Models
AI 导读
针对通用视觉语言模型在处理眼动视频时难以捕捉手物交互细节的问题,本文提出将视频转化为时序动作图以解耦视觉感知与符号推理。通过在 EGTEA 和 Epic-Kitchens-100 数据集上的实验表明,基于图的少样本演示比零样本帧级推理准确率高;即使在零样本设置下,该方法也具备竞争力。
来源:arXiv · 机器人与计算机视觉 · arxiv.org