Где, как и когда: поиск информации для видеопонимания

arXiv: 261.20.21422v1 Annualce Type: Cross Brieft: Для понимания видеосодержания требуется аргументация на различных уровнях грануллярности, от идентификации объектов до интерпретации их взаимодействия и локализации в случае конкретных действий. В этой диссертации изучаются три задачи по заземлению с ориентацией на запросы, которые отвечают, где находятся ключевые объекты (объектный уровень грунта), как они взаимодействуют (уровень заземляния в зависимости) и когда возникают конкретные моменты (наращивание уровня множителя). Для заземления объекта мы представляем QDETRv, ориентированное на запросы расширение Трансформера обнаружения для одноразового локализации невидимых объектов в видео, которое комбинирует синтез запроса-контекста, модуль памяти временной согласованности и неконтролируемую предварительную подготовку по траекториям синтетического объекта. Мы предлагаем также Temporal-Objection Transformer (TОВИТ) для малоразмерного видеонаблюдения объекта, которое основывается на языково непривлекаемом открытом энкодере зрения и распространяет высоконадежные элементы объектов через системы. Для отношений