一种基于动态时序划分的视频理解方法

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘要：近年来，随着语言-视觉模型的快速发展，结合视觉编码器和大语言模型进行视频理解的方法极大超越了传统的视频行为分类模型。由于大语言模型可以很好地进行信息的归纳和推理，因此可以将视频帧的特征输入大语言模型，从而得到每一帧的场景描述，最终整理成一个视频的详细信息。尽管上述方法可以得到一个视频非常详尽的描述，但是却忽略了视频中不同场景的重要性，从而无法准确理解视频中的关键信息。（剩余6318字）

试读结束

目录
monitor
客服机器人