跳到正文
arXiv · 机器人与计算机视觉· Yizhe Zhang, Xujia Wang, Songqi Tang, Xujie Tang, Leo Jiahao Jiang, Jiacheng Wang, Bowen Qu, JinBo Li, Qin Wang, Ji Qi, Lei Hou, Bin Xu, Juanzi Li·· 2026-10-19AI 评分72

Event-STVG:面向长形式事件推理的时空视频定位新基准

Event-STVG: Spatio-Temporal Video Grounding for Long-Form Event Reasoning

AI 导读

作者提出 Event-STVG 任务,将时空视频定位从实例描述转向事件级推理,涵盖长上下文、重复事件推理及多目标定位。构建包含足球等八个领域共 4016 个标注事件的基准测试。实验显示最强 MLLM 模型在 10 分钟跨度下 m-vIoU 仅为 5.4%,暴露出重复同类事件混淆与空间定位瓶颈,为视觉理解研究设立新挑战。代码与注释已公开。

来源:arXiv · 机器人与计算机视觉 · arxiv.org