Tag · 2 篇
密集视频描述
分布 视觉语言模型1视频理解与时序1
01 02
跟随显著性：面向检索增强密集视频描述的有监督显著性
Follow the Saliency: Supervised Saliency for Retrieval-augmented Dense Video Captioning
把 DVC 真值直接转成二值标签训练帧级显著性/高光检测器，再用同一显著性分数同时驱动检索分段与解码器 Saliency Prompt，为视频-语言检索增强生成提供了一个无需额外标注的统一时序信号。
异步时序建模与双智能体框架用于流式密集视频描述
Asynchronous Temporal Modeling with Two-Agent Framework for Streaming Dense Video Captioning
提出双智能体异步框架，用轻量SMM检测事件边界、LMM生成描述，避免阈值依赖，为流式视频理解提供可复用的事件触发与描述生成范式。