arXiv · 机器人与计算机视觉· Zhuo Cao, Bingqing Zhang, Sen Wang, Xue Li·· 16 天前AI 评分68
Matching in Context:无需训练的视频时序定位方法
Matching in Context: Temporal Fusion and Query Adaptation for Training-Free Video Temporal Grounding
AI 导读
针对文本引导的视频时序定位任务,现有无监督方法受限于独立帧编码和固定查询嵌入的不足,本文提出 DSE-VTG 框架。该方法在视觉侧融合多尺度相似性以增强时间上下文感知,在查询侧利用伪标签进行测试时自适应优化,无需微调骨干网络或调用大语言模型。
来源:arXiv · 机器人与计算机视觉 · arxiv.org