Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.18269

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2501.18269 (cs)
[提交于 2025年1月30日 ]

标题: MAMS:视频描述的模型无关模块选择框架

标题: MAMS: Model-Agnostic Module Selection Framework for Video Captioning

Authors:Sangho Lee, Il Yong Chun, Hogun Park
摘要: 多模态变压器在视频字幕任务中正迅速获得关注。 现有的多模态视频字幕方法通常提取固定数量的帧,这带来了关键挑战。 当提取有限数量的帧时,可能遗漏对字幕生成至关重要的帧。 相反,提取过多的帧会包括连续的帧,可能导致从连续视频帧中提取的视觉标记出现冗余。 为了为每个视频提取适当数量的帧,本文提出了视频字幕中的第一个与模型无关的模块选择框架,该框架有两个主要功能:(1) 根据从视频帧中提取的视觉标记选择一个适当大小的字幕生成模块,以及(2) 为所选的字幕生成模块构建视觉标记的子集。 此外,我们提出了一种新的自适应注意力掩码方案,以增强对重要视觉标记的关注。 我们在三个不同的基准数据集上的实验表明,所提出的框架显著提高了三种最近视频字幕模型的性能。
摘要: Multi-modal transformers are rapidly gaining attention in video captioning tasks. Existing multi-modal video captioning methods typically extract a fixed number of frames, which raises critical challenges. When a limited number of frames are extracted, important frames with essential information for caption generation may be missed. Conversely, extracting an excessive number of frames includes consecutive frames, potentially causing redundancy in visual tokens extracted from consecutive video frames. To extract an appropriate number of frames for each video, this paper proposes the first model-agnostic module selection framework in video captioning that has two main functions: (1) selecting a caption generation module with an appropriate size based on visual tokens extracted from video frames, and (2) constructing subsets of visual tokens for the selected caption generation module. Furthermore, we propose a new adaptive attention masking scheme that enhances attention on important visual tokens. Our experiments on three different benchmark datasets demonstrate that the proposed framework significantly improves the performance of three recent video captioning models.
评论: 被AAAI 2025主技术赛道接收。这是原始提交的扩展版本
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2501.18269 [cs.CV]
  (或者 arXiv:2501.18269v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.18269
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Hogun Park [查看电子邮件]
[v1] 星期四, 2025 年 1 月 30 日 11:10:18 UTC (10,390 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.CV

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号