跳到主要内容
检索

Akul Santhosh

1 篇关联报道

订阅更新
  1. arXiv

    FOCUS 让视频模型只在场景变化时调用:EgoSchema 上 25.4 次调用追平 55 次调用的精度

    流式视频理解不必逐帧调用视觉语言模型。FOCUS 用同族小模型的图像块嵌入差异判断场景是否真正变化,只在变化时触发一段连续帧的推理,再把解码器注意力回灌为下一段的空间先验。在 500 段 EgoSchema 子集上,它用每段 25.4 次调用取得 74.8% 准确率,而均匀采样用 55 次调用取得 74.6%。

已读完全部报道