Компьютерные науки > Компютерное видение и распознавание моделей [представлено 4 августа 2026 (v1), последний раз пересмотрен 25 октября 2026 года (эта версия, v2)) Название: Content-Acenive Pruning for Video-Language Models View PDF HTML (экспериментальное) Резюме: Vision-язычные модели отличаются высоким уровнем понимания изображений и видеопонимания, но страдают высокой запаздыванием изза необходимости обработки тысяч символов на изображение, ограничения их использования при использовании устройств для определения границ с ограниченными ресурсами и в режиме реального времени. Эта задача еще больше усугубляется в процессе видеообработки, когда необходимо одновременно анализировать несколько систем. Существующие методы сокращения символов, как правило, основываются на фиксированном единообразном коэффициенте прорези для всех вводимых ресурсов, который является неоптимальным, поскольку степень избыточности может существенно различаться между различными видеоматериалами, что обусловливает необходимость установления уровней скручивания, зависящих от содержания, для сохранения критически важной информации. Для устранения этих ограничений мы предлагаем адаптивную стратегию серёжки символов, специально предназначенную для видеообработки. Важно, что коэффициент срезки определяется адаптивно на основе содержания каждого видео. Это достигается путем анализа корреляционной структуры символических встроенных элементов для количественной оценки избыточности, что позволяет использовать…
Адаптивная адаптационная токеновая трансляция для моделей видео-лангаж
arXiv: 2608.031112v2 Annuate Type: заменить резюме: модели на языке зрения лучше с точки зрения изображения и видеопонимания, но страдают высокой степенью запаздывания из-за необходимости обработки тысяч символов по каждой картинке, ограничивая их размещение при помощи кромочных устройств с ограниченными ресурсами и в программах наблюдения в режиме реального времени. Эта задача еще больше усугубляется в процессе видеообработки, когда необходимо одновременно анализировать несколько систем. Существующие методы сокращения символов, как правило, основываются на фиксированном единообразном коэффициенте прорези для всех вводимых ресурсов, который является неоптимальным, поскольку степень избыточности может существенно различаться между различными видеоматериалами, что обусловливает необходимость установления уровней скручивания, зависящих от содержания, для сохранения критически важной информации. Для устранения этих ограничений мы предлагаем адаптивную стратегию серёжки символов, специально предназначенную для видеообработки. Важно, что коэффициент срезки определяется адаптивно на основе содержания каждого видео. Это достигается путем анализа корреляционной структуры символа