该文章介绍了一种名为场景摘要的新的基于视频的任务，旨在将长视频场景漫游摘要为一小组空间多样的帧。作者提出了自监督流程SceneSum，包含两个阶段。实验证明，该方法性能超过了普通视频摘要基线的50%。

该文章介绍了一项名为SceneSum的新的基于视频的场景摘要任务，旨在将长视频场景漫游摘要为一小组空间多样的帧。作者提出了一个由两个阶段组成的自监督流程，实验证明该方法性能超过了普通视频摘要基线的50%。

该研究提出了一种新的视频场景理解任务，称为场景摘要。通过聚类和视觉地点识别，将长视频摘要为一小组空间多样的帧。该方法在监视、房地产和机器人等领域有重要应用，性能超过了普通视频摘要基线的50%。