时空理解

InstAP：面向时空理解的实例感知视觉-语言预训练

InstAP: Instance-Aware Vision-Language Pre-Train for Spatial-Temporal Understanding

提出实例级对比对齐目标，将文本提及定位到时空区域，可复用于需要细粒度视觉-语言对齐的任务（如指代分割、视频实例检索），并证明实例级预训练能提升全局零样本视频理解。