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:2508.07388

帮助 | 高级搜索

计算机科学 > 人工智能

arXiv:2508.07388 (cs)
[提交于 2025年8月10日 ]

标题: Invert4TVG:一种具有反转任务的时序视频定位框架以增强动作理解

标题: Invert4TVG: A Temporal Video Grounding Framework with Inversion Tasks for Enhanced Action Understanding

Authors:Zhaoyu Chen, Hongnan Lin, Yongwei Nie, Fei Ma, Xuemiao Xu, Fei Yu, Chengjiang Long
摘要: 时间视频定位(TVG)旨在定位与给定文本查询匹配的视频片段。当前的方法虽然针对高时间交并比(IoU)进行优化,但往往过度拟合这一指标,损害了视频和查询中的语义动作理解,这是稳健TVG的关键因素。为了解决这个问题,我们引入了TVG的反转任务(Invert4TVG),这是一个新颖的框架,在不增加数据的情况下提高了定位精度和动作理解。我们的方法利用了从现有TVG注释中派生的三个反转任务:(1)动词补全,从视频片段中预测查询中被遮罩的动作动词;(2)动作识别,识别查询描述的动作;(3)视频描述,生成明确嵌入查询相关动作的视频片段描述。这些任务通过具有精心设计奖励函数的强化学习框架与TVG集成,确保定位和语义的平衡优化。实验表明,我们的方法优于最先进的方法,在Charades-STA上,对于一个3B模型,R1@0.7的性能提升了7.1%,相比Time-R1。通过将TVG反转以从片段中推导出与查询相关的动作,我们的方法增强了语义理解,显著提高了定位精度的上限。
摘要: Temporal Video Grounding (TVG) seeks to localize video segments matching a given textual query. Current methods, while optimizing for high temporal Intersection-over-Union (IoU), often overfit to this metric, compromising semantic action understanding in the video and query, a critical factor for robust TVG. To address this, we introduce Inversion Tasks for TVG (Invert4TVG), a novel framework that enhances both localization accuracy and action understanding without additional data. Our approach leverages three inversion tasks derived from existing TVG annotations: (1) Verb Completion, predicting masked action verbs in queries from video segments; (2) Action Recognition, identifying query-described actions; and (3) Video Description, generating descriptions of video segments that explicitly embed query-relevant actions. These tasks, integrated with TVG via a reinforcement learning framework with well-designed reward functions, ensure balanced optimization of localization and semantics. Experiments show our method outperforms state-of-the-art approaches, achieving a 7.1\% improvement in R1@0.7 on Charades-STA for a 3B model compared to Time-R1. By inverting TVG to derive query-related actions from segments, our approach strengthens semantic understanding, significantly raising the ceiling of localization accuracy.
主题: 人工智能 (cs.AI)
引用方式: arXiv:2508.07388 [cs.AI]
  (或者 arXiv:2508.07388v1 [cs.AI] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.07388
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Zhaoyu Chen [查看电子邮件]
[v1] 星期日, 2025 年 8 月 10 日 15:38:04 UTC (1,659 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
查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs

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