DocVideoQA: Achieving Comprehensive Understanding of Document-Centric Videos through Question Answering
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出了DocVideoQA任务及其数据集，旨在解决文档中心视频理解中的数据稀缺和复杂性问题。通过引入DV-LLaMA模型，利用多模态学习显著提升了理解能力，测试结果优于现有模型。
🏷️
