Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 27 октября 2026 года] Название: MVRCap: Towards Implical Video Capping through Hermany Multi-Dimensional Verwards View PDF HTML (экспериментальное) Резюме: Несмотря на значительный прогресс, нынешние модели пытаются создать всеобъемлющие заголовки видеозаписей, которые сдерживаются главным образом строгим наблюдением, зачастую не позволяющим отразить пространственно-временную динамику и лежащую в ее основе логическую цель. Для решения этой проблемы мы представляем MVRCap, новую структуру, которая переформулирует заголовки видео в качестве дополнительной задачи обучения под руководством структурированной проверки. Центральное место в нашем подходе занимает механизм поддающейся проверке, который служит для обеспечения строгого визуально-семантического соответствия. В частности, мы строим эту систему вознаграждения, основанную на трех дополнительных столпах: иерархическо-концептуальный охват с использованием нашего недавно разработанного набора данных MVRCap-QA для обеспечения многомерной полноты и глубины семантики, возмещение Фактической проверки в целях повышения фактической последовательности и Консенсусная конструкция для максимального увеличения плотности семантики. Кроме того, мы обеспечиваем высококачественный набор данных MVRCap-SFT с структурированными аннотациями по шести ключевым аспектам в качестве надежной базовой инициализации политики RL на этом тренировочном этапе. Широкие…
MVRCap: На пути к комплексному видеозахвату с помощью иерархической многомерной поддающейся проверке ревардии
arXiv: 261 030,36838v 1 Annualce Type: New High Brieft: Несмотря на значительный прогресс, нынешние модели пытаются создать всеобъемлющие заголовки видеозаписей, которые сдерживаются главным образом грубым контролем, который часто не отражает пространственно-временную динамику и лежащую в ее основе логическую цель. Для решения этой проблемы мы представляем MVRCap, новую структуру, которая переформулирует заголовки видео в качестве дополнительной задачи обучения под руководством структурированной проверки. Центральное место в нашем подходе занимает механизм поддающейся проверке, который служит для обеспечения строгого визуально-семантического соответствия. В частности, мы строим эту систему вознаграждения, основанную на трех дополнительных столпах: иерархическо-концептуальный охват с использованием нашего недавно разработанного набора данных MVRCap-QA для обеспечения многомерной полноты и глубины семантики, возмещение Фактической проверки в целях повышения фактической последовательности и Консенсусная конструкция для максимального увеличения плотности семантики. Кроме того, мы покупаем высококачественные