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:2507.00469

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.00469 (cs)
[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

Authors:Yue Tan, Xiaoqian Hu, Hao Xue, Celso De Melo, Flora D. Salim
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。
摘要: Frontier vision-language models (VLMs) have made remarkable improvements in video understanding tasks. However, real-world videos typically exist as continuously evolving data streams (e.g., dynamic scenes captured by wearable glasses), necessitating models to continually adapt to shifting data distributions and novel scenarios. Considering the prohibitive computational costs of fine-tuning models on new tasks, usually, a small subset of parameters is updated while the bulk of the model remains frozen. This poses new challenges to existing continual learning frameworks in the context of large multimodal foundation models, i.e., catastrophic forgetting and update conflict. While the foundation models struggle with parameter-efficient continual learning, the hippocampus in the human brain has evolved highly efficient mechanisms for memory formation and consolidation. Inspired by the rapid Binding and pattern separation mechanisms in the hippocampus, in this work, we propose Bisecle for video-language continual learning, where a multi-directional supervision module is used to capture more cross-modal relationships and a contrastive prompt learning scheme is designed to isolate task-specific knowledge to facilitate efficient memory storage. Binding and separation processes further strengthen the ability of VLMs to retain complex experiences, enabling robust and efficient continual learning in video understanding tasks. We perform a thorough evaluation of the proposed Bisecle, demonstrating its ability to mitigate forgetting and enhance cross-task generalization on several VideoQA benchmarks.
评论: 23页,12图,10表
主题: 计算机视觉与模式识别 (cs.CV) ; 机器学习 (cs.LG)
引用方式: arXiv:2507.00469 [cs.CV]
  (或者 arXiv:2507.00469v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.00469
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Yue Tan [查看电子邮件]
[v1] 星期二, 2025 年 7 月 1 日 06:28:57 UTC (3,778 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.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.LG

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