arXiv · 机器人与计算机视觉· Zhiliang Zhu, Jiazheng Huang, Dawei Zhao·· 14 天前AI 评分68
超越场景捷径:面向细粒度动作理解的行动中心视频文本对齐方法
Beyond Scene Shortcuts: Action-Centric Video-Text Alignment for Fine-Grained Action Understanding
AI 导读
该研究针对微调模型易产生环境诱导动作幻觉的问题,提出了 STARR 框架以打破场景与动作的关联捷径,并通过注意力一致性奖励强化动作聚焦。作者构建了 FineActionR&R 数据集,结合时间局部化描述与层级因果推理数据,在 Qwen2.5-VL-7B 基础上实现了 FineActionVLM-R1 模型。
来源:arXiv · 机器人与计算机视觉 · arxiv.org