arXiv · 机器人与计算机视觉· Xiaoyong Yu·· 20 天前AI 评分42
OCR+MLLM 多模态定位技术提升短视频金融诈骗诱导行为检测效果
Complementing Text Based Moderation with Multimodal Grounding: Detecting Fraudulent Inducement Behaviors on Short Video Platforms
AI 导读
针对短视频平台金融诈骗诱导行为,现有纯文本管道难以捕捉视觉线索且定位不精确。研究构建含 2,419 个视频与 3,194 个标注事件的专用数据集,提出 OCR+MLLM 方案在保持 67.0%宏观召回率的同时,将 mIoU 从基线的 14.49 提升至 26.52。该方法有效检测纯文本遗漏的非视觉诱导并实现精准时序定位,但需警惕奖励黑客与强定位奖励导致的类别平衡下降问题。
来源:arXiv · 机器人与计算机视觉 · arxiv.org