RAVU: A Graph-Based Retrieval Method for Enhanced Video Understanding through Compositional Reasoning

💡 原文英文,约100词,阅读约需1分钟。
📝

内容提要

本研究提出RAVU框架,旨在解决大型多模态模型在理解长视频时的内存和检索不足问题。通过建模视频的时空关系,RAVU在复杂查询场景中实现了更准确的视频理解,实验结果表明其在NExT-QA和EgoSchema数据集上表现优异。

🏷️

标签

➡️

继续阅读