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:2509.12145

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2509.12145 (cs)
[提交于 2025年9月15日 ]

标题: 基于视觉语言模型的开放式分层流式视频理解

标题: Open-ended Hierarchical Streaming Video Understanding with Vision Language Models

Authors:Hyolim Kang, Yunsu Park, Youngbeom Yoo, Yeeun Choi, Seon Joo Kim
摘要: 我们引入了分层流视频理解,这是一个结合在线时间动作定位与自由格式描述生成的任务。 由于具有分层和细粒度时间标注的数据集稀缺,我们证明了大型语言模型可以有效地将原子动作分组为更高级的事件,从而丰富现有的数据集。 然后我们提出了OpenHOUSE(开放式的分层在线事件理解系统),它将流动作感知扩展到动作分类之外。 OpenHOUSE具有一种专门的流模块,能够准确检测紧密相邻动作之间的边界,性能几乎达到现有方法直接扩展的两倍。 我们设想流动作感知的未来在于强大生成模型的整合,而OpenHOUSE代表了这一方向的关键一步。
摘要: We introduce Hierarchical Streaming Video Understanding, a task that combines online temporal action localization with free-form description generation. Given the scarcity of datasets with hierarchical and fine-grained temporal annotations, we demonstrate that LLMs can effectively group atomic actions into higher-level events, enriching existing datasets. We then propose OpenHOUSE (Open-ended Hierarchical Online Understanding System for Events), which extends streaming action perception beyond action classification. OpenHOUSE features a specialized streaming module that accurately detects boundaries between closely adjacent actions, nearly doubling the performance of direct extensions of existing methods. We envision the future of streaming action perception in the integration of powerful generative models, with OpenHOUSE representing a key step in that direction.
评论: 17页
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2509.12145 [cs.CV]
  (或者 arXiv:2509.12145v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.12145
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Yunsu Park [查看电子邮件]
[v1] 星期一, 2025 年 9 月 15 日 17:11:06 UTC (1,539 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.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
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