Multimodal Long Video Modeling Based on Temporal Dynamic Context
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出了一种时间动态上下文（TDC）编码方法，旨在解决长视频处理中的信息损失问题。通过语义一致性场景分割和基于查询的Transformer，有效整合视频、音频和文本信息，实验结果表明其在视频理解方面表现优异。
🏷️
