Расследование вопроса о нечувствительном поведении в Спатио-временной системе видеоназемления

arXiv: 2610,06018v 1 Annuals Type: cross Brieft: Spatio-temporal Videomination (STVG) имеет целью локализовать объекты или события, описанные естественными запросами на языке как в пространстве, так и во времени. Существующие модели STVG обычно обучаются и оцениваются исходя из предположения о том, что каждый запрос имеет отношение к вводному видео. В этой работе мы бросаем вызов этому предположению, изучая поведение современных моделей STVG в рамках не относящихся к делу запросов и недостающих текстовых данных. Наши эксперименты показывают, что нынешние модели все еще могут давать правдоподобные спектральные прогнозы даже в тех случаях, когда запрос не связан с видео или полностью удален. Мы дополнительно анализируем HCSTVG-v2 и VidSTG для выявления регулярностей набора данных, которые могут стимулировать такое поведение, не чувствительное к запросу. В нашем исследовании подчеркивается недостаточно изученное ограничение моделей STVG и мотивируется негативная оценка протоколов и архитектур, которые прямо оценивают значимость запросов.