流式视频中的时间语句定位
该论文调查了自然语言视频定位 (TSGV) 的基本概念和当前研究状况,并讨论了未来的研究方向,着重介绍了 TSGV 的多模态理解和交互技术,构建了 TSGV 技术的分类法,讨论了当前研究中存在的问题并分享了有前途的研究方向。
Jan, 2022
本研究针对压缩视频展开了时间句子引导的任务,并提出了一种全新的三分支压缩域空时融合框架(TCSF)来提取和聚合低级视觉特征以有效地进行时间句子引导。实验结果表明,TCSF 较其他最先进的方法具有更好的性能,并具有更低的复杂度。
Mar, 2023
本文主要研究 Temporal Sentence Grounding in Videos,在现有的评估协议中,重新组织两个广泛使用的 TSGV 基准及引入新的评估指标 dR @ n,IoU @ m 来校准基本的 IoU 分数,进一步监控 TSGV 的进展。
Jan, 2021
本文提出了一种用于时序句子定位的新型 Siamese 取样与推理网络(SSRN),该网络使用 Siamese 取样机制在已有取样的基础上生成额外的情境帧,以更精细地理解活动,解决了已有方法中忽略的时序数据偏差和推理偏差问题,并能够在保证模型泛华能力的同时,对三个具有挑战性的数据集进行有效的定位。
Jan, 2023
本论文提出了一个基于知识蒸馏的新型高效多教师模型(EMTM),旨在在维持高性能的同时,实现在未修剪视频中检测自然语言查询所描述的事件时间戳的挑战。
Aug, 2023
本文提出了一种消除多媒体信息检索中选择偏差的 Debiasing-TSG(D-TSG)模型,实现在常见和罕见情况下的 Temporal sentence grounding,在三个基准数据集上取得了最先进的表现。
Jul, 2022
本文介绍了一种新的 Hierarchical Local-Global Transformer 模型来解决视频和文本之间的 fine-grained 语义对齐问题,并将其应用于 temporal sentence grounding 任务,通过跨模态平行变压器解码器将其编码为最终的基础。
Aug, 2022
本文研究了弱监督下的视频句子时间定位问题,提出了一个两阶段模型,通过多尺度滑动窗口形成时间片段的间隔性建议,和在特征空间进行粗细匹配定位,最终在 ActivityNet Captions 数据集和 Charades-STA 数据集上取得良好的表现。
Jan, 2020
提出了一种名为记忆引导语义学习网络(MGSL-Net)的内存增强网络来学习和记忆 TSG 任务中常见且罕见的内容,通过动态地关联常见和罕见情况,缓解模型忘记的问题,并在测试阶段通过检索存储的记忆来增强罕见情况,实现更好的泛化。
Jan, 2022
本文研究了一种新的任务,即用于多形式句子的时空视频基础问题。提出了一种名为 Spatio-Temporal Graph Reasoning Network 的方法来解决这个问题,利用时空区域图来捕捉视频中物体的相关性。实验结果表明了本方法的有效性。
Jan, 2020