BriefGPT - AI 论文速递 · 2023-12-11T00:00:00Z 长时间自视角视频中的基于场景的问答 💡 原文中文，约400字，阅读约需1分钟。 📝 内容提要 本研究探讨了视频问答中视觉语言模型（VLMs）的性能，发现VLMs在证实答案方面表现较弱。为解决此问题，提出了高斯掩模优化和跨模态学习的视频定位机制，实验证明其改善了视频定位和问答效果。 🏷️ 标签 视觉语言模型 视频问答 证实答案 跨模态学习 高斯掩模优化 阅读原文 生成长图 分享链接 已复制链接
