计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月1日
]
标题: Bisecle:持续学习中视频语言理解的绑定与分离
标题: Bisecle: Binding and Separation in Continual Learning for Video Language Understanding
摘要: 前沿视觉-语言模型(VLMs)在视频理解任务中取得了显著进步。 然而,现实世界的视频通常作为连续演化的数据流存在(例如,由可穿戴眼镜捕获的动态场景),这需要模型不断适应变化的数据分布和新场景。 考虑到在新任务上微调模型的计算成本高昂,通常只更新一小部分参数,而大部分模型保持冻结。 这给大型多模态基础模型背景下的现有持续学习框架带来了新的挑战,即灾难性遗忘和更新冲突。 尽管基础模型在参数高效的持续学习方面存在困难,人类大脑中的海马体却进化出了高效的记忆形成和巩固机制。 受海马体中快速绑定和模式分离机制的启发,本文我们提出了Bisecle用于视频-语言持续学习,其中使用多方向监督模块来捕捉更多的跨模态关系,并设计了一种对比提示学习方案,以隔离任务特定知识,从而促进高效记忆存储。 绑定和分离过程进一步增强了VLMs保留复杂经验的能力,使得在视频理解任务中能够实现稳健且高效的持续学习。 我们对提出的Bisecle进行了全面评估,证明了其在多个VideoQA基准测试中减轻遗忘和增强跨任务泛化的能力。
文献和引用工具
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
推荐器和搜索工具
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.