長尺イベント推論向け時空間動画グラウンディングEvent-STVG
原題 Event-STVG: Spatio-Temporal Video Grounding for Long-Form Event Reasoning
自然言語の質問から、動画内の対象を空間と時間の両面で特定する時空間動画グラウンディング（STVG）は、既存ベンチマークが限られた場面に偏っている。arXiv論文は、長尺のイベント推論に対応するEvent-STVGを提案している。
論点
動画理解の評価は長尺イベントに移るべきか
- コメントを読み込み中…
議論のヒントを見る
賛成側の視点
短い切り抜きで測る時代は終わり。現実の長い出来事を扱えないモデルは使えない。反対側の視点
長尺化は評価コストが膨らむだけ。まず短尺の精度を詰めるほうが先で、前進も見えやすい。
みんなのコメント 件
コメントを書く